在已有DataFrame中展开Numpy数组为独立列

需求说明 #

现有一个包含col 1、col 2、keys、values列的DataFrame，其中keys和values均为NumPy数组类型：

• 每行的keys内容完全相同
• 每行的values是对应keys的取值集合

需要将keys中的元素作为新列名，把values的对应值填充到新列中，且直接在原DataFrame上扩展（不新建对象）。

解决方法 #

方法一：批量转换数组列（高效推荐）

利用pd.DataFrame直接将values列的数组批量转为结构化列，再与原表拼接：

import pandas as pd
import numpy as np

# 构造源DataFrame
source_df = pd.DataFrame(
    [
        ['data', 'data', np.array(['key1', 'key2']), np.array(['value1a', 'value2a'])],
        ['data', 'data', np.array(['key1', 'key2']), np.array(['value1b', 'value2b'])]
    ],
    columns=['col 1', 'col 2', 'keys', 'values']
)

# 提取统一的keys作为新列名，将values列转为DataFrame
new_columns = pd.DataFrame(source_df['values'].tolist(), columns=source_df['keys'].iloc[0])

# 拼接原表（删除keys/values列）与新列，覆盖原DataFrame
source_df = pd.concat([source_df.drop(['keys', 'values'], axis=1), new_columns], axis=1)

方法二：逐行转换（灵活适配）

通过apply逐行将values数组转为Series，指定索引为对应行的keys：

# 同样基于上述source_df
source_df = pd.concat([
    source_df.drop(['keys', 'values'], axis=1),
    source_df.apply(lambda row: pd.Series(row['values'], index=row['keys']), axis=1)
], axis=1)

验证结果 #

执行上述代码后，source_df的结构和值将与目标goal_df完全一致：

col 1  col 2    key1    key2
0   data   data  value1a  value2a
1   data   data  value1b  value2b

内容的提问来源于stack exchange，提问作者nick