Change elastic password using curl

Donghuas-MacBook-Air:bin donghua$ curl -XPUT -u elastic 'localhost:9200/_xpack/security/user/elastic/_password' -d '{

  "password" : "elastic"   

}'

Enter host password for user 'elastic':

{"error":"Content-Type header [application/x-www-form-urlencoded] is not supported","status":406}

Donghuas-MacBook-Air:bin donghua$ curl -XPUT -H 'Content-Type: application/json' -u elastic 'localhost:9200/_xpack/security/user/elastic/_password' -d '{                   

  "password" : "elastic"

}'

Enter host password for user 'elastic':

{}

Donghuas-MacBook-Air:bin donghua$ curl -XGET -u elastic:elastic localhost:9200/?pretty

{

  "name" : "0rArjNg",

  "cluster_name" : "elasticsearch",

  "cluster_uuid" : "dZYuMdDkQICV_oS2-nvmpQ",

  "version" : {

    "number" : "6.2.4",

    "build_hash" : "ccec39f",

    "build_date" : "2018-04-12T20:37:28.497551Z",

    "build_snapshot" : false,

    "lucene_version" : "7.2.1",

    "minimum_wire_compatibility_version" : "5.6.0",

    "minimum_index_compatibility_version" : "5.0.0"

  },

  "tagline" : "You Know, for Search"

}

Use pandas to read from and write back into Hadoop (Impala) tables

[root@cdh-vm ~]# pip install impyla
Collecting impyla
  Downloading https://files.pythonhosted.org/packages/6f/96/92f933cd216f9ff5d7f4ba7e0615a51ad4e3beb31a7de60f7df365378bb9/impyla-0.14.1-py2-none-any.whl (165kB)
    100% |████████████████████████████████| 174kB 464kB/s 
Collecting bitarray (from impyla)
  Downloading https://files.pythonhosted.org/packages/0a/da/9f61d28a20c42b4963334efacfd257c85150ede96d0cd2509b37da69da47/bitarray-0.8.1.tar.gz (46kB)
    100% |████████████████████████████████| 51kB 5.1MB/s 
Collecting thrift<=0.9.3 (from impyla)
  Downloading https://files.pythonhosted.org/packages/ae/58/35e3f0cd290039ff862c2c9d8ae8a76896665d70343d833bdc2f748b8e55/thrift-0.9.3.tar.gz
Requirement already satisfied: six in /usr/lib/python2.7/site-packages (from impyla) (1.11.0)
Installing collected packages: bitarray, thrift, impyla
  Running setup.py install for bitarray ... done
  Running setup.py install for thrift ... done
Successfully installed bitarray-0.8.1 impyla-0.14.1 thrift-0.9.3


[root@cdh-vm ~]#  pip install sqlalchemy
Collecting sqlalchemy
  Downloading https://files.pythonhosted.org/packages/c1/c8/392fcd2d01534bc871c65cb964e0b39d59feb777e51649e6eaf00f6377b5/SQLAlchemy-1.2.7.tar.gz (5.6MB)
    100% |████████████████████████████████| 5.6MB 721kB/s 
Installing collected packages: sqlalchemy
  Running setup.py install for sqlalchemy
  



[cdh-vm.dbaglobe.com:21000] > create table quarters(salesman string,q1 int,q2 int,q3 int,q4 int) row format delimited fields terminated by ',' tblproperties('skip.header.line.count'='1');
Query: create table quarters(salesman string,q1 int,q2 int,q3 int,q4 int) row format delimited fields terminated by ','
Fetched 0 row(s) in 0.50s
[cdh-vm.dbaglobe.com:21000] > load data inpath '/data/quarters.csv' overwrite into table quarters;
Query: load data inpath '/data/quarters.csv' overwrite into table quarters
+----------------------------------------------------------+
| summary                                                  |
+----------------------------------------------------------+
| Loaded 1 file(s). Total files in destination location: 1 |
+----------------------------------------------------------+
Fetched 1 row(s) in 2.89s

[cdh-vm.dbaglobe.com:21000] > select * from quarters;
Query: select * from quarters
Query submitted at: 2018-04-25 21:22:18 (Coordinator: http://cdh-vm.dbaglobe.com:25000)
Query progress can be monitored at: http://cdh-vm.dbaglobe.com:25000/query_plan?query_id=77405085e748686d:b3aebdc200000000
+----------+--------+--------+--------+--------+
| salesman | q1     | q2     | q3     | q4     |
+----------+--------+--------+--------+--------+
| Boris    | 602908 | 233879 | 354479 | 32704  |
| Bob      | 43790  | 514863 | 297151 | 544493 |
| Tommy    | 392668 | 113579 | 430882 | 247231 |
| Travis   | 834663 | 266785 | 749238 | 570524 |
| Donald   | 580935 | 411379 | 110390 | 651572 |
| Ted      | 656644 | 70803  | 375948 | 321388 |
| Jeb      | 486141 | 600753 | 742716 | 404995 |
| Stacy    | 479662 | 742806 | 770712 | 2501   |
| Morgan   | 992673 | 879183 | 37945  | 293710 |
+----------+--------+--------+--------+--------+


[donghua@cdh-vm pandas]$ ipython
Python 2.7.5 (default, Aug  4 2017, 00:39:18) 
Type "copyright", "credits" or "license" for more information.

IPython 5.5.0 -- An enhanced Interactive Python.
?         -> Introduction and overview of IPython's features.
%quickref -> Quick reference.
help      -> Python's own help system.
object?   -> Details about 'object', use 'object??' for extra details.

In [1]: from impala.dbapi import connect

In [2]: conn = connect(host='cdh-vm',port=21050,database='test')

In [3]: cur = conn.cursor()

In [4]: cur.execute('show tables')

In [5]: cur.fetchall()
Out[5]: 
[('byname_kudu',),
 ('getrelationinfobyname',),
 ('getrelationinfobyname_kudu',),
 ('quarters',),
 ('t1',),
 ('t_timestamp',),
 ('tsdemo',),
 ('tsstr',),
 ('vehicles',)]


In [6]: cur.execute('select * from quarters limit 5')

In [8]: cur.fetchall()
Out[8]: 
[('Boris', 602908, 233879, 354479, 32704),
 ('Bob', 43790, 514863, 297151, 544493),
 ('Tommy', 392668, 113579, 430882, 247231),
 ('Travis', 834663, 266785, 749238, 570524),
 ('Donald', 580935, 411379, 110390, 651572)]

In [9]: from impala.util import as_pandas

In [10]: cur.execute('select * from quarters')

In [11]: df = as_pandas(cur)

In [12]: type(df)
Out[12]: pandas.core.frame.DataFrame

In [13]: df
Out[13]: 
  salesman      q1      q2      q3      q4
0    Boris  602908  233879  354479   32704
1      Bob   43790  514863  297151  544493
2    Tommy  392668  113579  430882  247231
3   Travis  834663  266785  749238  570524
4   Donald  580935  411379  110390  651572
5      Ted  656644   70803  375948  321388
6      Jeb  486141  600753  742716  404995
7    Stacy  479662  742806  770712    2501
8   Morgan  992673  879183   37945  293710


In [16]: df2 = df.melt(id_vars='salesman')

In [17]: df2
Out[17]: 
   salesman variable   value
0     Boris       q1  602908
1       Bob       q1   43790
2     Tommy       q1  392668
3    Travis       q1  834663
4    Donald       q1  580935
5       Ted       q1  656644
6       Jeb       q1  486141
7     Stacy       q1  479662
8    Morgan       q1  992673
9     Boris       q2  233879
10      Bob       q2  514863
11    Tommy       q2  113579
12   Travis       q2  266785
13   Donald       q2  411379
14      Ted       q2   70803
15      Jeb       q2  600753
16    Stacy       q2  742806
17   Morgan       q2  879183
18    Boris       q3  354479
19      Bob       q3  297151
20    Tommy       q3  430882
21   Travis       q3  749238
22   Donald       q3  110390
23      Ted       q3  375948
24      Jeb       q3  742716
25    Stacy       q3  770712
26   Morgan       q3   37945
27    Boris       q4   32704
28      Bob       q4  544493
29    Tommy       q4  247231
30   Travis       q4  570524
31   Donald       q4  651572
32      Ted       q4  321388
33      Jeb       q4  404995
34    Stacy       q4    2501
35   Morgan       q4  293710

In [11]: import sqlalchemy
In [12]: import impala.sqlalchemy as i
In [13]: engine=sqlalchemy.create_engine('impala://cdh-vm:21050/test')
In [26]: df2.to_sql(name='quarters_melt',con=engine,index=False,dtype={'salesman':i.STRING,'variable':i.STRING,'value':i.INT})

cdh-vm.dbaglobe.com:21000] > desc quarters_melt;
Query: describe quarters_melt
+----------+--------+---------+
| name     | type   | comment |
+----------+--------+---------+
| salesman | string |         |
| variable | string |         |
| value    | int    |         |
+----------+--------+---------+
Fetched 3 row(s) in 0.03s
[cdh-vm.dbaglobe.com:21000] > show create table quarters_melt;
Query: show create table quarters_melt
+--------------------------------------------------------------------------------------+
| result                                                                               |
+--------------------------------------------------------------------------------------+
| CREATE TABLE test.quarters_melt (                                                    |
|   salesman STRING,                                                                   |
|   variable STRING,                                                                   |
|   value INT                                                                          |
| )                                                                                    |
| STORED AS TEXTFILE                                                                   |
| LOCATION 'hdfs://cdh-vm.dbaglobe.com:8020/user/hive/warehouse/test.db/quarters_melt' |
|                                                                                      |
+--------------------------------------------------------------------------------------+
Fetched 1 row(s) in 0.00s
[cdh-vm.dbaglobe.com:21000] > 

[cdh-vm.dbaglobe.com:21000] > select * from quarters_melt;
Query: select * from quarters_melt
Query submitted at: 2018-04-25 22:19:06 (Coordinator: http://cdh-vm.dbaglobe.com:25000)
Query progress can be monitored at: http://cdh-vm.dbaglobe.com:25000/query_plan?query_id=c14ae16dfcb301bb:c31d20a200000000
+----------+----------+--------+
| salesman | variable | value  |
+----------+----------+--------+
| Donald   | q1       | 580935 |
| Jeb      | q3       | 742716 |
| Ted      | q3       | 375948 |
| Bob      | q4       | 544493 |
| Donald   | q2       | 411379 |
| Morgan   | q2       | 879183 |
| Boris    | q4       | 32704  |
| Boris    | q2       | 233879 |
| Tommy    | q1       | 392668 |
| Jeb      | q4       | 404995 |
| Boris    | q3       | 354479 |
| Bob      | q3       | 297151 |
| Morgan   | q3       | 37945  |
| Travis   | q2       | 266785 |
| Travis   | q4       | 570524 |
| Ted      | q2       | 70803  |
| Bob      | q1       | 43790  |
| Tommy    | q3       | 430882 |
| Stacy    | q1       | 479662 |
| Bob      | q2       | 514863 |
| Stacy    | q4       | 2501   |
| Travis   | q3       | 749238 |
| Travis   | q1       | 834663 |
| Tommy    | q2       | 113579 |
| Jeb      | q2       | 600753 |
| Tommy    | q4       | 247231 |
| Stacy    | q2       | 742806 |
| Donald   | q4       | 651572 |
| Morgan   | q4       | 293710 |
| Stacy    | q3       | 770712 |
| Morgan   | q1       | 992673 |
| Jeb      | q1       | 486141 |
| Donald   | q3       | 110390 |
| Ted      | q1       | 656644 |
| Boris    | q1       | 602908 |
| Ted      | q4       | 321388 |
+----------+----------+--------+
Fetched 36 row(s) in 0.25s

Merging and Joining in Pandas

import pandas as pd
week1 = pd.read_csv('Restaurant - Week 1 Sales.csv')

len(week1),len(week2)
pd.concat([week1,week2],ignore_index=True)
sales = pd.concat([week1,week2],keys=['Week1','Week2'])
sales.ix[('Week2',240),'Customer ID']
sales = week2.append(week1,ignore_index=True)
sales.info()
week1.merge(week2,how='inner', on='Customer ID',suffixes=['_wk1','_wk2'])

week1.merge(week2,how='inner', on=['Customer ID','Food ID'],suffixes=['_wk1','_wk2'])
merged = week1.merge(week2,how='outer', on='Customer ID',suffixes=['_wk1','_wk2'],indicator=True)
merged['_merge'].value_counts()
mask = merged['_merge'].isin(['left_only','right_only'])
merged[mask]

week1.join(week1_survey,how='inner', on='OrderID')

Melt in Pandas

In [14]: sales=pd.read_csv('pandas/pandas/quarters.csv')

In [15]: sales
Out[15]: 
  Salesman      Q1      Q2      Q3      Q4
0    Boris  602908  233879  354479   32704
1      Bob   43790  514863  297151  544493
2    Tommy  392668  113579  430882  247231
3   Travis  834663  266785  749238  570524
4   Donald  580935  411379  110390  651572
5      Ted  656644   70803  375948  321388
6      Jeb  486141  600753  742716  404995
7    Stacy  479662  742806  770712    2501
8   Morgan  992673  879183   37945  293710

In [17]: pd.melt(sales,id_vars='Salesman')
Out[17]: 
   Salesman variable   value
0     Boris       Q1  602908
1       Bob       Q1   43790
2     Tommy       Q1  392668
3    Travis       Q1  834663
4    Donald       Q1  580935
5       Ted       Q1  656644
6       Jeb       Q1  486141
7     Stacy       Q1  479662
8    Morgan       Q1  992673
9     Boris       Q2  233879
10      Bob       Q2  514863
11    Tommy       Q2  113579
12   Travis       Q2  266785
13   Donald       Q2  411379
14      Ted       Q2   70803
15      Jeb       Q2  600753
16    Stacy       Q2  742806
17   Morgan       Q2  879183
18    Boris       Q3  354479
19      Bob       Q3  297151
20    Tommy       Q3  430882
21   Travis       Q3  749238
22   Donald       Q3  110390
23      Ted       Q3  375948
24      Jeb       Q3  742716
25    Stacy       Q3  770712
26   Morgan       Q3   37945
27    Boris       Q4   32704
28      Bob       Q4  544493
29    Tommy       Q4  247231
30   Travis       Q4  570524
31   Donald       Q4  651572
32      Ted       Q4  321388
33      Jeb       Q4  404995
34    Stacy       Q4    2501
35   Morgan       Q4  293710

In [21]: pd.melt(sales,id_vars='Salesman',var_name='Quarter',value_name='Revenue')
Out[21]: 
   Salesman Quarter  Revenue
0     Boris      Q1   602908
1       Bob      Q1    43790
2     Tommy      Q1   392668
3    Travis      Q1   834663
4    Donald      Q1   580935
5       Ted      Q1   656644
6       Jeb      Q1   486141
7     Stacy      Q1   479662
8    Morgan      Q1   992673
9     Boris      Q2   233879
10      Bob      Q2   514863
11    Tommy      Q2   113579
12   Travis      Q2   266785
13   Donald      Q2   411379
14      Ted      Q2    70803
15      Jeb      Q2   600753
16    Stacy      Q2   742806
17   Morgan      Q2   879183
18    Boris      Q3   354479
19      Bob      Q3   297151
20    Tommy      Q3   430882
21   Travis      Q3   749238
22   Donald      Q3   110390
23      Ted      Q3   375948
24      Jeb      Q3   742716
25    Stacy      Q3   770712
26   Morgan      Q3    37945
27    Boris      Q4    32704
28      Bob      Q4   544493
29    Tommy      Q4   247231
30   Travis      Q4   570524
31   Donald      Q4   651572
32      Ted      Q4   321388
33      Jeb      Q4   404995
34    Stacy      Q4     2501
35   Morgan      Q4   293710


In [24]: sales.set_index('Salesman').stack().to_frame()
Out[24]: 
                  0
Salesman           
Boris    Q1  602908
         Q2  233879
         Q3  354479
         Q4   32704
Bob      Q1   43790
         Q2  514863
         Q3  297151
         Q4  544493
Tommy    Q1  392668
         Q2  113579
         Q3  430882
         Q4  247231
Travis   Q1  834663
         Q2  266785
         Q3  749238
         Q4  570524
Donald   Q1  580935
         Q2  411379
         Q3  110390
         Q4  651572
Ted      Q1  656644
         Q2   70803
         Q3  375948
         Q4  321388
Jeb      Q1  486141
         Q2  600753
         Q3  742716
         Q4  404995
Stacy    Q1  479662
         Q2  742806
         Q3  770712
         Q4    2501
Morgan   Q1  992673
         Q2  879183
         Q3   37945

         Q4  293710

Pivot_table in pandas

In [8]: foods = pd.read_csv('Pandas/pandas/foods.csv')

In [9]: foods.head(4)
Out[9]: 
  First Name  Gender          City Frequency       Item  Spend
0      Wanda  Female      Stamford    Weekly     Burger  15.66
1       Eric    Male      Stamford     Daily    Chalupa  10.56
2    Charles    Male      New York     Never      Sushi  42.14
3       Anna  Female  Philadelphia      Once  Ice Cream  11.01

In [10]: foods.pivot_table(values = 'Spend',index='Gender',aggfunc='mean')
Out[10]: 
            Spend
Gender           
Female  50.709629
Male    49.397623

In [11]: foods.pivot_table(values = 'Spend',index=['Gender','Item'],aggfunc='sum')
Out[11]: 
                    Spend
Gender Item              
Female Burger     4094.30
       Burrito    4257.82
       Chalupa    4152.26
       Donut      4743.00
       Ice Cream  4032.87
       Sushi      4683.08
Male   Burger     3671.43
       Burrito    4012.62
       Chalupa    3492.26
       Donut      4015.76
       Ice Cream  4854.12
       Sushi      4059.85

In [12]: foods.pivot_table(values = 'Spend',index=['Gender','Item'],columns='City', aggfunc='sum')
Out[12]: 
City              New York  Philadelphia  Stamford
Gender Item                                       
Female Burger      1239.04       1639.24   1216.02
       Burrito      978.95       1458.76   1820.11
       Chalupa      876.58       1673.33   1602.35
       Donut       1446.78       1639.26   1656.96
       Ice Cream   1521.62       1479.22   1032.03
       Sushi       1480.29       1742.88   1459.91
Male   Burger      1294.09        938.18   1439.16
       Burrito     1399.40       1312.93   1300.29
       Chalupa     1227.77       1114.23   1150.26
       Donut       1345.27       1249.36   1421.13
       Ice Cream   1603.63       2191.27   1059.22
       Sushi       1396.15       1395.88   1267.82

In [13]: pd.pivot_table(data=foods,values = 'Spend',index=['Gender','Item'],columns='City', aggfunc='sum')
Out[13]: 
City              New York  Philadelphia  Stamford
Gender Item                                       
Female Burger      1239.04       1639.24   1216.02
       Burrito      978.95       1458.76   1820.11
       Chalupa      876.58       1673.33   1602.35
       Donut       1446.78       1639.26   1656.96
       Ice Cream   1521.62       1479.22   1032.03
       Sushi       1480.29       1742.88   1459.91
Male   Burger      1294.09        938.18   1439.16
       Burrito     1399.40       1312.93   1300.29
       Chalupa     1227.77       1114.23   1150.26
       Donut       1345.27       1249.36   1421.13
       Ice Cream   1603.63       2191.27   1059.22
       Sushi       1396.15       1395.88   1267.82

Pivot in Pandas

In [1]: import pandas as pd

In [2]: import numpy as np

In [3]: salesman = pd.read_csv('Pandas/pandas/salesmen.csv', parse_dates=['Date'])

In [4]: salesman.head(5)
Out[4]: 
        Date Salesman  Revenue
0 2016-01-01      Bob     7172
1 2016-01-02      Bob     6362
2 2016-01-03      Bob     5982
3 2016-01-04      Bob     7917
4 2016-01-05      Bob     7837

In [7]: salesman['Salesman'].value_counts()
Out[7]: 
Ronald    366
Bob       366
Dave      366
Oscar     366
Jeb       366
Name: Salesman, dtype: int64

In [6]: salesman.pivot(index='Date',columns='Salesman',values='Revenue').head(5)
Out[6]: 
Salesman     Bob  Dave   Jeb  Oscar  Ronald
Date                                       
2016-01-01  7172  1864  4430   5250    2639
2016-01-02  6362  8278  8026   8661    4951
2016-01-03  5982  4226  5188   7075    2703
2016-01-04  7917  3868  3144   2524    4258
2016-01-05  7837  2287   938   2793    7771

stack/unstack in Pandas with example

In [1]: import pandas as pd

In [2]: import numpy as np

In [14]: df = pd.DataFrame({'Year':[2010,2010,2011,2011,2012,2012],'Class':['2A','2B','2C','2A','2B','2C']})


In [16]: df
Out[16]: 
  Class  Year
0    2A  2010
1    2B  2010
2    2C  2011
3    2A  2011
4    2B  2012
5    2C  2012


In [19]: df['Score']=np.random.randint(low=40,high=100,size=6)

In [20]: df
Out[20]: 
  Class  Year  Score
0    2A  2010     73
1    2B  2010     87
2    2C  2011     97
3    2A  2011     41
4    2B  2012     86
5    2C  2012     81


In [23]: df.set_index(['Class','Year'],inplace=True)

In [24]: df
Out[24]: 
            Score
Class Year       
2A    2010     73
2B    2010     87
2C    2011     97
2A    2011     41
2B    2012     86
2C    2012     81

In [25]: df.transpose()
Out[25]: 
Class   2A   2B   2C   2A   2B   2C
Year  2010 2010 2011 2011 2012 2012
Score   73   87   97   41   86   81

In [26]: df
Out[26]: 
            Score
Class Year       
2A    2010     73
2B    2010     87
2C    2011     97
2A    2011     41
2B    2012     86
2C    2012     81

In [27]: df.swaplevel()
Out[27]: 
            Score
Year Class       
2010 2A        73
     2B        87
2011 2C        97
     2A        41
2012 2B        86
     2C        81

In [28]: df.swaplevel().transpose()
Out[28]: 
Year  2010     2011     2012    
Class   2A  2B   2C  2A   2B  2C
Score   73  87   97  41   86  81

In [29]: df.swapaxes(0,1)
Out[29]: 
Class   2A   2B   2C   2A   2B   2C
Year  2010 2010 2011 2011 2012 2012
Score   73   87   97   41   86   81

In [37]: df
Out[37]: 
            Score
Class Year       
2A    2010     73
2B    2010     87
2C    2011     97
2A    2011     41
2B    2012     86
2C    2012     81

In [33]: def mark_grade(score):
    ...:     if score > 90:
    ...:         grade='A'
    ...:     elif score > 75:
    ...:         grade='B'
    ...:     elif score > 60:
    ...:         grade='C'
    ...:     else:
    ...:         grade='F'
    ...:     return grade
    ...: 
    ...: 

In [39]: df['Grade']=df['Score'].apply(mark_grade)

In [40]: df
Out[40]: 
            Score Grade
Class Year             
2A    2010     73     C
2B    2010     87     B
2C    2011     97     A
2A    2011     41     F
2B    2012     86     B
2C    2012     81     B


In [41]: df.stack()
Out[41]: 
Class  Year       
2A     2010  Score    73
             Grade     C
2B     2010  Score    87
             Grade     B
2C     2011  Score    97
             Grade     A
2A     2011  Score    41
             Grade     F
2B     2012  Score    86
             Grade     B
2C     2012  Score    81
             Grade     B
dtype: object

In [44]: df.stack().to_frame()
Out[44]: 
                   0
Class Year          
2A    2010 Score  73
           Grade   C
2B    2010 Score  87
           Grade   B
2C    2011 Score  97
           Grade   A
2A    2011 Score  41
           Grade   F
2B    2012 Score  86
           Grade   B
2C    2012 Score  81
           Grade   B


In [58]: s = df.stack().to_frame()

In [59]: s
Out[59]: 
                   0
Class Year          
2A    2010 Score  73
           Grade   C
2B    2010 Score  87
           Grade   B
2C    2011 Score  97
           Grade   A
2A    2011 Score  41
           Grade   F
2B    2012 Score  86
           Grade   B
2C    2012 Score  81
           Grade   B

In [67]: s.index.names=['Class', 'Year','Item']

In [68]: s
Out[68]: 
                   0
Class Year Item     
2A    2010 Score  73
           Grade   C
2B    2010 Score  87
           Grade   B
2C    2011 Score  97
           Grade   A
2A    2011 Score  41
           Grade   F
2B    2012 Score  86
           Grade   B
2C    2012 Score  81
           Grade   B

In [69]: s.columns=['Value']

In [70]: s
Out[70]: 
                 Value
Class Year Item       
2A    2010 Score    73
           Grade     C
2B    2010 Score    87
           Grade     B
2C    2011 Score    97
           Grade     A
2A    2011 Score    41
           Grade     F
2B    2012 Score    86
           Grade     B
2C    2012 Score    81
           Grade     B

In [71]: s.unstack()
Out[71]: 
           Value      
Item       Score Grade
Class Year            
2A    2010    73     C
      2011    41     F
2B    2010    87     B
      2012    86     B
2C    2011    97     A
      2012    81     B

In [72]: s.unstack().unstack()
Out[72]: 
      Value                              
Item  Score             Grade            
Year   2010  2011  2012  2010  2011  2012
Class                                    
2A       73    41  None     C     F  None
2B       87  None    86     B  None     B
2C     None    97    81  None     A     B

In [74]: s.to_csv('class_stack.csv')

In [75]: ! cat class_stack.csv
Class,Year,Item,Value
2A,2010,Score,73
2A,2010,Grade,C
2B,2010,Score,87
2B,2010,Grade,B
2C,2011,Score,97
2C,2011,Grade,A
2A,2011,Score,41
2A,2011,Grade,F
2B,2012,Score,86
2B,2012,Grade,B
2C,2012,Score,81
2C,2012,Grade,B


In [83]: s.unstack(0)
Out[83]: 
           Value            
Class         2A    2B    2C
Year Item                   
2010 Score    73    87  None
     Grade     C     B  None
2011 Score    41  None    97
     Grade     F  None     A
2012 Score  None    86    81
     Grade  None     B     B

In [84]: s.unstack(1)
Out[84]: 
            Value            
Year         2010  2011  2012
Class Item                   
2A    Score    73    41  None
      Grade     C     F  None
2B    Score    87  None    86
      Grade     B  None     B
2C    Score  None    97    81
      Grade  None     A     B

In [85]: s.unstack(-1)
Out[85]: 
           Value      
Item       Score Grade
Class Year            
2A    2010    73     C
      2011    41     F
2B    2010    87     B
      2012    86     B
2C    2011    97     A
      2012    81     B

In [86]: s.unstack('Item')
Out[86]: 
           Value      
Item       Score Grade
Class Year            
2A    2010    73     C
      2011    41     F
2B    2010    87     B
      2012    86     B
2C    2011    97     A
      2012    81     B

In [87]: s.unstack('Year')
Out[87]: 
            Value            
Year         2010  2011  2012
Class Item                   
2A    Score    73    41  None
      Grade     C     F  None
2B    Score    87  None    86
      Grade     B  None     B
2C    Score  None    97    81
      Grade  None     A     B

In [98]: s.unstack(level=-2,fill_value='Missing')
Out[98]: 
               Value                  
Year            2010     2011     2012
Class Item                            
2A    Score       73       41  Missing
      Grade        C        F  Missing
2B    Score       87  Missing       86
      Grade        B  Missing        B
2C    Score  Missing       97       81
      Grade  Missing        A        B


In [100]: s.unstack(level=['Year','Class'],fill_value='Missing')
Out[100]: 
      Value                      
Year   2010     2011     2012    
Class    2A  2B   2C  2A   2B  2C
Item                             
Score    73  87   97  41   86  81
Grade     C   B    A   F    B   B

In [101]: s.unstack(level=['Year','Class'],fill_value='Missing').to_csv('class2.csv')

In [102]: ! cat class2.csv
,Value,Value,Value,Value,Value,Value
Year,2010,2010,2011,2011,2012,2012
Class,2A,2B,2C,2A,2B,2C
Item,,,,,,
Score,73,87,97,41,86,81
Grade,C,B,A,F,B,B