7 min de leitura

Pandas #14 - Remodelando Dados: pivot_table(), melt() e stack()/unstack()

Como transformar o formato de um DataFrame com pivot() e pivot_table(), voltar ao formato longo com melt(), alternar entre linhas e colunas com stack() e unstack(), e criar variáveis dummy com get_dummies().

Pandas #14 - Remodelando Dados: pivot_table(), melt() e stack()/unstack()

No post anterior você usou groupby() pra resumir um DataFrame por categoria — o resultado veio numa única coluna, com um índice (ou MultiIndex) representando os grupos. Só que às vezes o formato mais útil pra ler ou exportar esses dados é bem diferente: uma tabela “larga”, com uma categoria por coluna, em vez de uma por linha. Este post cobre exatamente essa transformação de formato: pivot_table(), melt(), stack()/unstack() e get_dummies().

pivot() e pivot_table(): do formato longo pro largo

pivot() transforma valores únicos de uma coluna em novas colunas — útil quando os dados estão no formato “longo” (uma linha por combinação de categoria e valor) e você quer o formato “largo” (uma coluna por categoria).

Exemplo 1 - pivot() com valores já únicos

import pandas as pd

vendas = pd.DataFrame({
    "mes": ["jan", "jan", "fev", "fev"],
    "produto": ["notebook", "mouse", "notebook", "mouse"],
    "unidades": [8, 30, 12, 25]
})

print(vendas.pivot(index="mes", columns="produto", values="unidades"))

A saída é:

produto  mouse  notebook
mes
fev         25        12
jan         30         8

Cada combinação de mes e produto virou uma célula da nova tabela. Mas pivot() só funciona quando existe no máximo uma linha por combinação — se houver duas linhas com o mesmo mes e produto, ele lança um erro, porque não sabe qual delas usar.

Exemplo 2 - pivot_table() com agregação

pivot_table() resolve exatamente essa limitação: quando existe mais de um valor por combinação, ele agrega (por padrão, com a média) em vez de dar erro.

vendas_repetidas = pd.DataFrame({
    "mes": ["jan", "jan", "jan", "fev"],
    "produto": ["notebook", "notebook", "mouse", "notebook"],
    "unidades": [5, 3, 30, 12]
})

print(vendas_repetidas.pivot_table(index="mes", columns="produto", values="unidades", aggfunc="sum"))

produto  mouse  notebook
mes
fev        NaN      12.0
jan       30.0       8.0

As duas linhas de jan/notebook (5 e 3) foram somadas em 8, porque aggfunc="sum" foi especificado. Sem esse parâmetro, pivot_table() usa a média por padrão — o mesmo tipo de agregação que você já viu em groupby().agg().

Nota: por padrão, pivot_table() descarta combinações onde values ficaria inteiramente vazio (dropna=True) — passe dropna=False se quiser manter essas combinações “vazias” explicitamente como NaN na tabela resultante.

melt(): voltando ao formato longo

melt() faz o caminho inverso de pivot(): transforma colunas em linhas, “derretendo” uma tabela larga de volta pro formato longo.

Exemplo 3 - melt() numa tabela larga

tabela_larga = pd.DataFrame({
    "produto": ["notebook", "mouse"],
    "jan": [8, 30],
    "fev": [12, 25]
})

print(tabela_larga.melt(id_vars="produto", var_name="mes", value_name="unidades"))

    produto  mes  unidades
0  notebook  jan         8
1     mouse  jan        30
2  notebook  fev        12
3     mouse  fev        25

id_vars diz qual coluna deve continuar identificando cada linha (produto), e as demais colunas (jan, fev) viraram duas colunas novas: uma com o nome da coluna original (mes) e outra com o valor que estava nela (unidades).

stack() e unstack(): alternando entre linhas e colunas

stack() e unstack() fazem uma transformação parecida com melt()/pivot(), só que operando diretamente sobre os níveis do índice, em vez de colunas nomeadas.

Exemplo 4 - stack() empilhando colunas no índice

df_largo = pd.DataFrame({"notebook": [8, 12], "mouse": [30, 25]}, index=["jan", "fev"])
empilhado = df_largo.stack()
print(empilhado)

jan  notebook     8
     mouse       30
fev  notebook    12
     mouse       25
dtype: int64

stack() moveu os nomes das colunas pra dentro do índice, criando um segundo nível — o resultado agora é uma Series com um MultiIndex de dois níveis (mês e produto). unstack() desfaz exatamente essa operação, devolvendo as colunas ao lugar original:

print(empilhado.unstack())

     notebook  mouse
jan         8     30
fev        12     25

Criando variáveis dummy com get_dummies()

Por fim, uma transformação de formato bem específica, muito comum antes de treinar um modelo de machine learning: converter uma coluna categórica em várias colunas binárias, uma pra cada categoria.

Exemplo 5 - get_dummies()

status = pd.DataFrame({"pedido": [1, 2, 3], "status": ["enviado", "entregue", "enviado"]})
print(pd.get_dummies(status["status"]))

   entregue  enviado
0     False     True
1      True    False
2     False     True

Cada categoria distinta (entregue, enviado) virou uma coluna própria, com True/False indicando se aquela linha pertence a ela — o formato que a maioria dos algoritmos de machine learning espera receber, já que eles não sabem lidar com texto diretamente.

Nota: o parâmetro drop_first=True remove a primeira coluna dummy gerada, já que ela é redundante — se você sabe que uma linha não é entregue, e existem só duas categorias, ela necessariamente é enviado. É uma prática comum pra evitar colinearidade em alguns modelos estatísticos.

Com pivot_table(), melt(), stack()/unstack() e get_dummies(), você já sabe reorganizar a forma de um DataFrame pro que a análise (ou o modelo) exigir. Esse mesmo stack() que acabou de gerar um índice em dois níveis é uma boa deixa pro próximo post: como criar e navegar índices hierárquicos de propósito, com MultiIndex.

Fonte adaptada: Pandas - Pivoting, Pandas - Stacking and Unstacking, Pandas - Melting, Pandas - Computing Dummy Variables