大熊猫“枢轴”操作的确切反转

Question

我有粗略格式的熊猫数据帧

print(df)
    Time  GroupA  GroupB  Value1  Value2
0  100.0     1.0     1.0    18.0     0.0
1  100.0     1.0     2.0    16.0     0.0
2  100.0     2.0     1.0    18.0     0.0
3  100.0     2.0     2.0    10.0     0.0

其中Time是计数变量/时间戳，GroupA和GroupB是类别，Value1和Value2是数字量。此代码段创建了一个模型数据框：

import numpy as np
values = np.zeros(shape=(4,5))
values[:,0] = 100
values[:,1] = [1]*2 + [2]*2
values[:,2] = [1,2]*2
values[:,3] = np.random.randint(low=10,high=20,size=(4))
df = pd.DataFrame(values,columns=['Time','GroupA','GroupB','Value1','Value2'])

加载一些数据后，我想计算并填写Value2的值。碰巧（因为，顺便说一下，Value2是Value1在每个现有（GroupA，GroupB）对中的时间序列函数），我发现通过首先将我的数据转换为形式来计算这些值是最容易的：

df_pivot = df.pivot_table(index='Time',columns=['GroupA','GroupB'],values=['Value1','Value2'], fill_value=0.0)

然后在一些不相关的代码之后我填写了值

print(df_pivot)
       Value1             Value2            
GroupA    1.0     2.0        1.0     2.0    
GroupB    1.0 2.0 1.0 2.0    1.0 2.0 1.0 2.0
Time                                        
100.0      13  16  16  10     27  20  28  20

现在我想把它“重新”回到原来的df格式。我可以通过循环df手动执行此操作，在df_pivot中查找值并填充它，但我更喜欢使用内置函数。尝试我可能使用df.melt的变体，我无法执行此反转，因为df_pivot的分层列的问题。我最好的尝试是

dfm = df_pivot.reset_index().melt(id_vars="Time")
dfm.columns.values[1] = "HACK"
dfm = dfm.pivot_table(index=["Time","GroupA","GroupB"],columns="HACK",values="value").reset_index()

它产生数据帧

print(dfm)
HACK   Time  GroupA  GroupB  Value1  Value2
0     100.0     1.0     1.0      13      27
1     100.0     1.0     2.0      16      20
2     100.0     2.0     1.0      16      28
3     100.0     2.0     2.0      10      20

这有效，但不会让我觉得是最好的解决方案，或者非常便携（为什么熔化产生“NaN”列名？为什么我手动找到这个列的索引并重命名呢？为什么我要这样做？枢轴撤消枢轴？）尝试并查看文档和示例以寻找替代方案，但我很茫然。 melt函数有一个看起来应该有帮助的col_level参数，但是我使用的任何有效值都会导致数据丢失（丢失“Time”，“GroupA”或“GroupB”数据）。

Answer 1

我认为stack更直截了当

df_pivot.stack([1,2]).reset_index()
Out[8]: 
    Time  GroupA  GroupB  Value1  Value2
0  100.0     1.0     1.0      13       0
1  100.0     1.0     2.0      13       0
2  100.0     2.0     1.0      12       0
3  100.0     2.0     2.0      11       0