В чём разница между stack() и unstack() в Pandas?

stack() — столбцы → строки

import pandas as pd

df = pd.DataFrame(
    {
        "Q1": [100, 200, 300],
        "Q2": [110, 210, 310],
        "Q3": [120, 220, 320],
    },
    index=["Product_A", "Product_B", "Product_C"],
)
print(df)
#            Q1   Q2   Q3
# Product_A  100  110  120
# Product_B  200  210  220
# Product_C  300  310  320

stacked = df.stack()
print(stacked)
# Product_A  Q1    100
#            Q2    110
#            Q3    120
# Product_B  Q1    200
# ...
print(type(stacked))  # Series с MultiIndex

stack() и unstack(): поворот осей

stack() и unstack() — парные методы для реструктуризации данных между «широким» (wide) и «длинным» (long) форматами. Они работают с MultiIndex и перемещают уровни между осями строк и столбцов.

unstack() — строки → столбцы

# Обратная операция: восстанавливаем оригинальный DataFrame
restored = stacked.unstack()
print(restored)
# Идентично исходному df

# unstack по конкретному уровню
unstacked_level0 = stacked.unstack(level=0)
print(unstacked_level0)
# Столбцы — Product_A, Product_B, Product_C
# Индекс — Q1, Q2, Q3

Работа с MultiIndex

arrays = [
    ["Moscow", "Moscow", "SPb", "SPb"],
    ["2024-Q1", "2024-Q2", "2024-Q1", "2024-Q2"],
]
mi = pd.MultiIndex.from_arrays(arrays, names=["city", "quarter"])
df_mi = pd.DataFrame(
    {"revenue": [100, 110, 90, 95], "cost": [60, 65, 55, 58]},
    index=mi,
)
print(df_mi)

# unstack: уровень 'quarter' → столбцы
pivoted = df_mi.unstack(level="quarter")
print(pivoted)
# MultiIndex столбцы: (revenue, 2024-Q1), (revenue, 2024-Q2), ...

# stack: убираем уровень столбцов обратно
long = pivoted.stack(level="quarter")
print(long)

stack vs melt vs pivot_table

• stack() работает только с MultiIndex или именованными столбцами, возвращает Series или DataFrame.
• pd.melt() — более гибкий способ wide→long: явно задаёт id_vars и value_vars.
• df.pivot_table() — long→wide с агрегацией дубликатов; unstack() не агрегирует и бросает ошибку при дубликатах.

# Сравнение: melt vs stack
melted = pd.melt(
    df.reset_index(),
    id_vars="index",
    value_vars=["Q1", "Q2", "Q3"],
    var_name="quarter",
    value_name="revenue",
)
print(melted)

Подводные камни

• stack() по умолчанию отбрасывает NaN (dropna=True); чтобы сохранить пропуски, используйте stack(dropna=False).
• unstack() при дублирующихся метках индекса бросает ValueError: Index contains duplicate entries; нужна агрегация через pivot_table.
• После stack() получаете MultiIndex — .reset_index() нужен перед передачей в библиотеки, не понимающие MultiIndex.
• В Pandas 2.1+ поведение stack() изменилось (future_stack=True по умолчанию в 2.2): результат может содержать MultiIndex столбцов там, где раньше был плоский — проверяйте код при обновлении.
• Порядок уровней после unstack(level=N) зависит от N: неправильный выбор уровня даёт транспонированный результат.
• Для временных рядов unstack удобнее чем pivot, но только если нет дубликатов (одна запись на пересечение city × quarter).

• Объяснять stack vs unstack только синтаксисом без shape, dtype, состояния или режима выполнения.
• Игнорировать leakage, воспроизводимость, пустые входы и скрытые копии данных.
• Не проверять production-симптомы: latency, память, ретраи, дрейф качества и несовпадение версий.

• Может ли связать stack vs unstack с реальным контрактом входов и выходов.
• Упоминает ли тесты, метрики, reproducibility и диагностику ошибок.
• Видит ли различие между demo-кодом в ноутбуке и production-пайплайном.