导读：pandas中最常用的数据结构是DataFrame，而DataFrame相较于嵌套list或者二维numpy数组更好用的原因之一在于其提供了行索引和列名。本文主要介绍行索引的几种变换方式，包括rename与reindex、index.map、set_index与reset_index、stack与unstack等。
惯例开局一张图
Series和DataFrame是pandas中的主要数据结构类型（老版本中曾有三维数据结构Panel，是DataFrame的容器，后被取消），而二者相较于传统的数组或list而言，最大的便利之处在于其提供了索引，DataFrame中还有列标签名，这些都使得在操作一行或一列数据中非常方便，包括在数据访问、数据处理转换等。关于索引的详细介绍可参考前文：python数据科学系列：pandas入门详细教程。
这里，为了便于后文举例解释，给出基本的DataFrame样例数据如下：
后文将以此作为操作对象，针对索引的几种常用变换进行介绍。
注：这里的索引应广义的理解为既包扩行索引，也包括列标签。
学习pandas之初，reindex和rename容易使人混淆的一组接口，就其具体功能来看：
另外二者执行功能和接收参数的套路也是很为相近的，均支持两种变换方式：
具体而言，reindex执行索引重组操作，以新接收的一组标签序列作为索引，当原DataFrame中存在该索引时则提取相应行或列，否则赋值为空或填充指定值。对于前面介绍的示例数据df，以重组行索引为例，两种可选方式为：
注意到原df中行索引为[1, 3, 5]，而新重组的目标索引为[1, 2, 3]，其中[1, 3]为已有索引直接提取，[2, 4]在原df中不存在，所以填充空值；同时，原df中索引[5]由于不在指定索引中，所以遭舍弃。进一步地，由于重组后可能存在空值，reindex提供了填充空值的可选参数fill_value和method，二者用法与fillna方法一致，前者用于指定固定值填充，后者用于指定填充策略，例如：
rename用法套路与reindex很为相近，但执行功能完全不同，主要用于执行索引重命名操作，接收一个字典或一个重命名规则的函数类型，示例如下：
针对DataFrame中的数据，pandas中提供了一对功能有些相近的接口：map和apply，以及applymap，其中map仅可用于DataFrame中的一列（也即即Series），可接收字典或函数完成单列数据的变换；apply既可用于一列（即Series）也可用于多列（即DataFrame），但仅可接收函数作为参数，当作用于Series时对每个元素进行变换，作用于DataFrame时对其中的每一行或每一列进行变换；而applymap则仅可作用于DataFrame，且作用对象是对DataFrame中的每个元素进行变换。也就是说，三者的最大不同在于作用范围以及变换方式的不同。
实际上，apply和map还有一个细微区别在于：同样是可作用于单列对象，apply适用于索引这种特殊的单列，而map则不适用。所以，对索引执行变换的另一种可选方式是用map函数，其具体操作方式与DataFrame常规map操作一致，接收一个函数作为参数即可：
set_index和reset_index是一对互逆的操作，其中前者用于置位索引——将DataFrame中某一列设置为索引，同时丢弃原索引；而reset_index用于复位索引——将索引加入到数据中作为一列或直接丢弃，可选drop参数。二者是非常常用的一组操作，例如在执行groupby操作后一般会得到一个series类型，此时增加一个reset_index操作即可实现series转换为DataFrame。当然转换的操作不止这一种。
这也是一对互逆的操作，其中stack原义表示堆叠，实现将所有列标签堆叠到行索引中；unstack即解堆，用于将复合行索引中的一个维度索引平铺到列标签中。实际上，二者的操作即是SQL中经典的行转列与列转行，也即在长表与宽表之间转换。
当然，实现unstack操作的方式还有pivot，此处不再展开。
