该用unstack而非pivot时：索引已含MultiIndex且需将某层转为列；pivot要求扁平数据并显式指定index/columns/values，误用于MultiIndex会报错。
什么时候该用 unstack 而不是 pivot
当你的索引（index）已经包含多层结构，且目标是把某一层“抬升为列”，unstack 是最直接的选择；而 pivot 要求原始数据是扁平的 DataFrame，必须显式指定 index、columns 和 values 三者。误用 pivot 去处理已有 MultiIndex 的数据，会报 ValueError: Index contains duplicate entries, cannot reshape。
常见场景：用 groupby(...).size() 或 pd.crosstab() 得到的带双层索引的结果，后续想按某个分类维度展开成列 —— 这时直接 .unstack(level=...) 即可，不用重设索引再 pivot。
-
unstack默认展开最内层索引（level=-1），也可指定整数或名称，例如.unstack('category') - 若展开后出现
NaN，说明原 MultiIndex 中存在缺失组合，这是正常行为，不是 bug - 展开后列名会变成
MultiIndex（如果原索引有多层），需要.columns = columns.droplevel(0)或.add_prefix()清理
stack 的典型误用：为什么结果多了一层括号
对一个普通 DataFrame 直接调用 .stack()，会把所有列压进最内层索引，生成一个 Series，其索引是 MultiIndex（原行索引 + 原列名）。如果你看到输出像 (0, 'A') 1.2 这种带括号的索引，不是错误，而是 stack 的标准行为 —— 它本就是为“列转行”设计的逆操作。
容易踩的坑：
立即学习“Python免费学习笔记（深入）”；
- 对已含
MultiIndex列的 DataFrame 用stack()，默认只压最内层列，可能不符合预期；需加level参数，如.stack(level=1) -
stack后若要还原回 DataFrame，不能直接unstack，得先确认索引层级是否匹配；否则会报ValueError: Index has duplicate keys - 数值列含
None或np.nan时，stack会自动丢弃这些项 —— 如果需要保留空位，得先fillna()
如何用 unstack 处理重复索引问题
当你调用 unstack 报错 Cannot unstack a duplicate axis，说明同一组索引键对应多个值，pandas 不知道该聚合还是报错。这不是数据问题，而是你没告诉它怎么处理。
解决路径只有两条：
- 先聚合再 unstack：例如
df.groupby(['user', 'item'])['score'].mean().unstack('item') - 用
set_index显式构造唯一 MultiIndex，例如df.set_index(['user', 'item', 'timestamp'], drop=False).unstack('item')（前提是 timestamp 能消除重复） - 强行去重（慎用）：
df.drop_duplicates(['user', 'item']).set_index(['user', 'item']).unstack('item')，但会丢失信息
注意：unstack 本身不提供 aggfunc 参数，聚合必须在之前完成。
性能差异：为什么有时 pivot_table 比 unstack 快得多
当原始数据未设置 MultiIndex，且你需要按多个字段分组展开时，pivot_table(index=..., columns=..., values=..., aggfunc='first') 内部做了优化，避免了先 groupby 再 unstack 的两步开销。实测百万行数据下，pivot_table 可比等效的 groupby(...).first().unstack() 快 2–3 倍。
关键区别：
-
unstack是纯索引操作，不做计算；pivot_table是聚合+重塑一体化 -
unstack要求索引唯一，pivot_table天然支持重复键 + 聚合逻辑 - 如果只是简单“把一列变列名”，且数据已规整，
unstack更轻量；一旦涉及分组或缺失填充，pivot_table更稳
真正容易被忽略的是：unstack 后的列顺序默认按原索引中该 level 的唯一值排序，不是原始出现顺序 —— 如需保持顺序，得先用 pd.Categorical 固定列类别。
