stack()和unstack()本质是MultiIndex层级的升降维操作，非简单行列交换；unstack默认提列最内层为新行索引末尾，stack同理降行最内层进列；真正交换行列索引需transpose()配合reorder_levels()。
stack() 和 unstack() 的本质是操作 MultiIndex 的层级顺序
它们不是“交换行列索引”，而是对 pd.DataFrame 的列（unstack）或行（stack）进行层级重塑：把某一层级从轴上“提出来”变成新维度，或“压进去”合并为单层。关键在 level 参数指定哪一层参与移动，以及结果中层级的默认顺序。
常见误解是以为 unstack() 总是把列变行——其实它默认作用于最内层列索引（level=-1），并将其“升维”为新的行索引层级；同理 stack() 默认把最内层行索引“降维”进列。
-
unstack()后的新行索引 = 原行索引 + 被 unstack 的列层级（按原顺序拼接） -
stack()后的新列索引 = 原列索引 + 被 stack 的行层级（按原顺序拼接） - 若想真正“交换”行/列索引结构（比如让原列索引整体变成新行索引，原行索引变成新列索引），需先
swaplevel()或reorder_levels()配合unstack()/stack()，而非单独调用
用 unstack() 把列索引某层“转成行索引”时，如何控制新层级位置
默认 unstack(level=-1) 会把最内层列索引追加到现有行索引末尾。若想让它成为新行索引的最外层，必须显式指定 level 并配合 swaplevel() 或直接用 reorder_levels()。
macOS UI 自动化技能包 —— 用 Python 控制你的 Mac
下载
让 macOS 自动化像说话一样简单 —— 用代码控制你的 Mac，无需学习 AppleScript 系统要求 macOS 14+ (Sonoma) Python 3.9+ 需要开启：辅助功能 + 屏幕录制权限
import pandas as pd
df = pd.DataFrame([[1,2],[3,4]],
index=pd.MultiIndex.from_tuples([('A', 'X'), ('B', 'Y')]),
columns=pd.MultiIndex.from_tuples([('cat', 'a'), ('dog', 'b')]))
# 想让列索引第一层 'cat/dog' 成为新行索引最外层
result = df.unstack(level=0).swaplevel(0, 1).sort_index()
# 注意：unstack(level=0) → 新行索引 = 原行索引 + 'cat/dog' 层（在末尾）
# swaplevel(0,1) → 把末尾那层提到最前
- 不指定
level时，unstack()默认处理列索引最内层（level=-1） - 若列索引有 3 层，
unstack(level=1)表示提取中间那层，其余两层保留在列上 -
unstack()后若有多层行索引，顺序是“原行索引各层 + 被 unstack 的列层”，不可逆序——必须靠swaplevel()或reorder_levels()调整
stack() 报错 “Index has duplicate keys” 的真实原因和解法
这不是数据重复问题，而是 stack() 尝试把行索引某层压进列时，导致列名冲突：多个（原行索引组合 + 列名）映射到同一个新列名。典型场景是原 DataFrame 列索引为单层，而行索引含多层，stack() 后新列名仅由被 stack 的行层级构成，丢失了区分度。
立即学习“Python免费学习笔记（深入）”；
- 错误示例：
df.stack(level=0)对一个列是单层、行是MultiIndex的 DataFrame 执行，若不同行组有相同值的 level-0，就会生成重复列名 - 解法一：先确保被 stack 的行层级在组合中唯一，例如用
df.index.droplevel(...)精简后再 stack - 解法二：改用
df.reset_index().set_index([...]).stack()显式构造无歧义的列结构 - 更稳妥做法：避免直接 stack 多层行索引，优先用
melt()+set_index()组合替代
真正“交换行列索引结构”的最小可行步骤
如果目标是让原列索引完全替代原行索引的位置（即行列索引互换角色），stack 和 unstack 单独做不到，必须搭配 transpose() 和层级重排：
# 假设 df 是列、行均为 MultiIndex 的 DataFrame # 步骤：1. transpose → 行列索引互换但层级顺序不变 # 2. 对新行索引（原列索引）调用 reorder_levels() 按需排序 # 3. 对新列索引（原行索引）同样 reorder_levels() df_t = df.transpose() df_t.index = df_t.index.reorder_levels([1,0]) # 调整新行索引层级顺序 df_t.columns = df_t.columns.reorder_levels([1,0]) # 调整新列索引层级顺序
-
transpose()是唯一能真正交换行列索引角色的操作，stack/unstack只是升降维 - 层级顺序错位是高频问题：
transpose()不改变各层级内部顺序，只交换轴身份，所以常需后续reorder_levels() - 若原索引层级数不等（如行是 2 层、列是 3 层），
transpose()仍可执行，但结果中对应轴的层级数也会互换——这点容易被忽略
