如何批量将Pandas DataFrame中同一国家的多行数据转换为单列并合并为宽表

我完全理解你现在的困扰——手动为数百个国家重复写转换代码效率太低了！其实借助pandas的数据重塑功能，我们可以用几行代码实现批量转换，完美替代你手动处理单个国家的流程。

解决方案核心思路 #

你的需求本质是把「长格式（long format）」数据转换成「宽格式（wide format）」：每个国家作为单独的一列，年份作为行标识，对应位置填充该国家当年的人口数据。Pandas的pivot()或pivot_table()函数正好能搞定这个需求。

完整批量处理代码 #

import pandas as pd

# 读取原始数据
url = 'https://raw.githubusercontent.com/gambler2020/Data_Analysis/master/population/population.csv'
df = pd.read_csv(url)

# 核心：用pivot批量转换为宽格式
# index指定行标识（年份），columns指定列标识（国家），values指定填充的数值（人口）
wide_df = df.pivot(
    index='Year',
    columns='Entity',
    values='Population (historical estimates)'
).reset_index()

# 查看结果
wide_df.head()

代码解释 #

1. pivot()函数：自动将每个Entity（国家）转换为单独的列，每行对应一个Year，单元格填充对应国家的人口数据，完全替代了你手动提取单个国家、重命名列、合并数据的流程。
2. reset_index()：把Year从索引变回普通列，和你手动处理后得到的dff结构完全一致。

处理特殊情况：重复数据 #

如果你的数据集中存在同一个国家同一年有多个人口数据的情况（比如重复记录），可以用pivot_table()并指定聚合函数来处理：

# 例如对重复的年份-国家组合取平均值，也可以用'sum'等其他聚合函数
wide_df = df.pivot_table(
    index='Year',
    columns='Entity',
    values='Population (historical estimates)',
    aggfunc='mean'
).reset_index()

这个方法一次性处理所有国家，不管有几百个还是几千个，效率比手动处理高几个数量级，而且代码简洁易维护。

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