如何在Python中将多房间列结构CSV转换为堆叠列结构？

针对你的宽表转长表需求，这里提供两种可靠的处理方式，适配房间数量动态变化的场景：

方法1：按列名的数字后缀匹配（推荐，若列名严格遵循room N/temperature N/humidity N格式） #

这种方式依赖列名的数字标识来关联同一房间的三个指标，无需依赖列的顺序：

import pandas as pd

# 读取CSV并清理列名（处理原始列名的前后空格）
df = pd.read_csv('your_data.csv')
df.columns = df.columns.str.strip()

# 1. 拆分非Date列的指标类型与房间编号
melted = df.melt(id_vars=['Date'], var_name='metric', value_name='value')
melted[['metric_type', 'room_id']] = melted['metric'].str.split(n=1, expand=True)

# 2. 将指标类型转成列，实现宽转长
result = melted.pivot_table(
    index=['Date', 'room_id'],
    columns='metric_type',
    values='value',
    aggfunc='first'
).reset_index()

# 3. 重命名列以符合需求
result = result.rename(columns={
    'room': 'Room',
    'temperature': 'Temperature',
    'humidity': 'Humidity'
})

# 可选：过滤掉无房间名称的行（适配中途新增房间的NaN数据）
result = result.dropna(subset=['Room'])

方法2：按列顺序分组（适配列名无统一数字标识，但严格按room → temperature → humidity顺序排列的场景） #

如果列名的数字标识不严谨，但每三个列严格对应一个房间的名称、温度、湿度，用这种方式更稳妥：

import pandas as pd

df = pd.read_csv('your_data.csv')
df.columns = df.columns.str.strip()

result_rows = []
# 遍历每一行数据
for _, row in df.iterrows():
    current_date = row['Date']
    # 提取除Date外的所有列
    non_date_cols = [col for col in df.columns if col != 'Date']
    # 每3个列分为一组（房间名称、温度、湿度）
    for i in range(0, len(non_date_cols), 3):
        room_name = row[non_date_cols[i]]
        # 跳过无房间名称的行（对应中途新增的空房间数据）
        if pd.isna(room_name):
            continue
        temp = row[non_date_cols[i+1]]
        hum = row[non_date_cols[i+2]]
        result_rows.append({
            'Date': current_date,
            'Room': room_name,
            'Temperature': temp,
            'Humidity': hum
        })

# 转换为最终DataFrame
result_df = pd.DataFrame(result_rows)

1. 新增Room_ID列：保留原始的房间编号（如1、2、3），方便追溯原始数据的分组关系，同时用Room列存储实际房间名称（如卧室、客厅）；
2. 统一Date类型：将Date列转换为datetime类型，便于后续时间序列分析、按时间筛选等操作；
3. 处理缺失值：针对中途新增房间产生的NaN数据，可选择过滤或标记为“未记录”，避免无效数据干扰；
4. 原始CSV列名优化：建议将原始列名改为更清晰的格式，如Room_1_Name、Room_1_Temperature、Room_1_Humidity，降低程序识别的出错概率。

内容的提问来源于stack exchange，提问作者lygho