使用Pandas处理Excel特定矩阵的Unpivot格式转换问题

别折腾手动嵌套字典了，Pandas原生的**重塑函数（melt/stack）**是解决这类宽转长格式问题的最优方案，效率高还不容易出错。以下是具体实现逻辑：

先明确数据结构（模拟常见场景） #

假设你的原始未格式化DataFrame是宽格式：行是「品牌+车型」的复合标识，列是各地经销商，单元格是对应数据（比如销量/库存）：

import pandas as pd

# 模拟你的原始数据
raw_df = pd.DataFrame({
    '品牌车型': ['Tesla Cars_SUV', 'Tesla Cars_SEDAN', 'Tesla Cars_TRUCK', 
              'Toyota Cars_SUV', 'Toyota Cars_SEDAN', 'Toyota Cars_TRUCK'],
    '北京经销商': [120, 90, 40, 210, 150, 70],
    '上海经销商': [150, 110, 50, 240, 180, 80],
    '广州经销商': [90, 70, 30, 180, 130, 60]
})

步骤1：拆分品牌与车型列（如果原始是复合标识） #

如果品牌和车型合并在同一列，先拆分生成独立字段：

# 拆分品牌和车型，生成两列
raw_df[['品牌', '车型']] = raw_df['品牌车型'].str.split('_', expand=True)
# 删除原复合列
raw_df = raw_df.drop('品牌车型', axis=1)

步骤2：转成规范格式（经销商、品牌、车型对应值） #

用melt函数把宽格式转成你需要的长格式：

# 重塑数据：将经销商列转为行，生成规范结构
formatted_df = raw_df.melt(
    id_vars=['品牌', '车型'],  # 保留作为标识的列
    var_name='经销商',       # 原列名（经销商）转为新列的名称
    value_name='数据值'      # 原单元格数值转为新列的名称
)

# 调整列顺序为你需要的「经销商、品牌、车型、数据值」
formatted_df = formatted_df[['经销商', '品牌', '车型', '数据值']]

执行后得到的formatted_df就是规范格式：

如果需要嵌套字典结果 #

如果最终还是要嵌套字典（之前手动实现失败的场景），基于格式化后的DataFrame转换更稳妥：

# 生成「经销商 -> 品牌 -> 车型 -> 数据值」的嵌套字典
result_dict = formatted_df.groupby('经销商').apply(
    lambda x: x.groupby('品牌').apply(
        lambda y: y.set_index('车型')['数据值'].to_dict()
    ).to_dict()
).to_dict()

为什么手动嵌套字典容易失败？ #

手动遍历DataFrame构造嵌套字典时，很容易忽略索引对齐、空值处理、列名大小写/空格等细节，而且效率远低于Pandas的C语言实现的原生函数。先转成规范的长格式DataFrame，再按需转换是更可靠的思路。

内容的提问来源于stack exchange，提问作者ThelearningPepe