如何使用Pandas的Melt/Pivot重塑DataFrame至目标格式？

模拟样本数据 #

先还原你可能的宽格式数据场景（若实际数据结构不同，可对应调整）：

import pandas as pd

# 示例宽表：Regierungsviertel有多条Raub记录，平均值为41.33
df_wide = pd.DataFrame({
    'Region': ['Regierungsviertel', 'Regierungsviertel', 'Regierungsviertel', 'Mitte', 'Pankow'],
    'Raub': [40, 42, 42, 35, 38],
    'Diebstahl': [120, 130, 115, 100, 95],
    'Brand': [5, 7, 6, 4, 3]
})

两种可行实现方式 #

方式1：先聚合宽表，再转长格式 #

先对同区域的同类型犯罪做聚合（这里用平均值得到41.33），再用melt重塑：

# 按Region分组，计算各犯罪类型的均值
aggregated = df_wide.groupby('Region').mean().reset_index()

# 重塑为目标长格式
result = pd.melt(
    aggregated,
    id_vars='Region',
    var_name='Crimes',
    value_name='count'
)

# 保留两位小数确保数值显示为41.33
result['count'] = result['count'].round(2)

方式2：先转长格式，再聚合 #

先把宽表拆成每条记录对应一个区域-犯罪类型的结构，再分组聚合：

# 先转长格式
melted = pd.melt(
    df_wide,
    id_vars='Region',
    var_name='Crimes',
    value_name='count'
)

# 按Region和Crimes分组计算均值
result = melted.groupby(['Region', 'Crimes'])['count'].mean().reset_index()
result['count'] = result['count'].round(2)

关键说明 #

• 若41.33不是平均值，而是其他统计量（如总和、加权平均），替换mean()为对应函数即可
• melt的参数要对应：id_vars指定要保留的分组列（Region），var_name是原宽表列名要转成的新列名（Crimes），value_name是数值列的名称（count）
• 最终结果中，Regierungsviertel的Raub值会精确显示为41.33

内容的提问来源于stack exchange，提问作者0004