熊猫“枢轴”操作的完全相反

Question

我有一个粗略格式的熊猫数据框

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是一个计数变量/时间戳，GroupA和GroupB是类别，以及Value1和Value2是数值量。此代码片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. 当它发生时（顺便说一句，因为Value2是Value1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以下形式来计算这些值最容易：

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

现在我想将其“反透视”为df. 我可以通过循环df、查找 中的值df_pivot并填充它来手动执行此操作，但我更喜欢使用内置函数。尽管尝试使用 的变体df.melt，但由于df_pivot的分层列存在问题，我无法执行此反转。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()

产生数据框

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，但并不让我觉得是最好的解决方案，或者非常便携（为什么melt会产生一个“NaN”列名？为什么我要手动查找该列的索引并重命名它？为什么我必须枢轴以撤消枢轴？）不过，我在尝试并查看文档和示例以寻找替代方案时不知所措。该melt函数有一个col_level看起来应该有帮助的参数，但我为此使用的任何有效值只会导致数据丢失（丢失“时间”、“组 A”或“组 B”数据）。

Answer 1

我认为stack更直接

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