四个函数功能的简单总结对比，stack/unstack一组，pivot/melt一组：
- stack()：将原来的列索引转成最内层的行索引；直观理解
column to index - unstack()：将最内层的行索引还原成列索引（默认最内层索引level=-1，可指定level=0为最外层索引）；直观理解
index to column - pivot()：将某列的值设置为行索引、列索引以及对应的值；直观理解
column values to index, to column, to value - melt()：将特定列指定为标识符，特定列作为数值；直观理解
columns to values
1. stack()函数
DataFrame.stack(level=- 1, dropna=True)-
stack是堆叠的意思，简单理解，在书架上水平位置横排着一本一本的书，将其堆叠起来变成竖着的一摞书的过程即为stack操作。将指定的级别从列堆叠到索引。返回一个经过重塑的DataFrame或Series，该DataFrame或Series有一个多级索引，与当前的DataFrame相比有一个或多个新的最内层，新的最内层是通过旋转当前数据帧的列来创建的。
stack
2.unstack()函数
DataFrame.unstack(level=- 1, fill_value=None)-
unstack是取消堆叠的意思，简单理解就是把index转变为column，而stack的操作是把column变为index。
unstack
3.pivot()函数
DataFrame.pivot(index=None, columns=None, values=None)-
pivot是旋转的意思，直观理解是根据column和index对dataframe进行重新塑造，根据参数指定特定的index，column和value，更加灵活。
pivot
4.melt()函数
DataFrame.melt(id_vars=None, value_vars=None, var_name=None, value_name='value', col_level=None, ignore_index=True)- 该函数有助于将DataFrame将从宽格式转换为长格式，其中一个或多个列是标识符变量(id_vars)，而所有其他列，即测量变量(value_vars)，是与行轴“不相关”的，只留下两个非标识符列“变量”和“值”。也可以指定标识列和数值列的名称。
melt
pivot()和melt()函数是较简单方便的，但是它俩是依据column的值作为索引的分类，和stack/unstack在column和index之间的转换有实质差别。一般在转换之后会进行reset_index()操作。
写的太糙了，看原始函数介绍比较好。
参见资料：
Pandas DataFrame stack 函数
Pandas DataFrame unstack 函数
Pandas DataFrame pivot 函数
Pandas DataFrame melt 函数
pandas中DataFrame的stack()、unstack()和pivot()方法的对比
