如何用Pivot/Melt重塑Pandas DataFrame？实现指定列结构转换

我有一个包含Series Name、Country Name以及2000 [YR2000]、2001 [YR2001]……2018 [YR2018]年份列的Pandas DataFrame。其中Series Name为待分析变量（如'PBI'、'Surface Area'等），该列存在重复值（每个国家对应一条某变量的记录）。

原DataFrame结构示例：

希望将DataFrame重塑为以下结构：

• 列：Country Name、Year以及所有Series Name的唯一值
• Year列：填充每个国家对应的2000至2018年
• 各Series Name列：存储对应国家和年份的数值

目标结构示例：

尝试过以下代码但未得到预期结果：

indicadores_clean_pv = pd.melt(indicadores_clean, id_vars=['Country Name'], var_name='Año')

indicadores_clean_pv.melt(id_vars='Country Name', var_name='Year').groupby(['Country Name','Year']).agg({'Series Name':'first'}).reset_index()

无法将Series Name的取值设为列，请求实现所需的结构转换。

你需要分三步完成数据重塑，核心是先熔解年份列，再将变量名转成列：

import pandas as pd

# 1. 熔解年份列：保留Series Name和Country Name作为标识，将所有年份列转成键值对
melted = pd.melt(
    indicadores_clean,
    id_vars=['Series Name', 'Country Name'],  # 必须保留这两个标识列
    var_name='Year',
    value_name='Value'
)

# 2. 提取纯年份数字：去掉原列名的[YRxxxx]后缀，转成整数类型
melted['Year'] = melted['Year'].str.extract(r'(\d{4})').astype(int)

# 3. 将Series Name转成列：用pivot_table实现宽表转换，处理可能的重复记录
result = melted.pivot_table(
    index=['Country Name', 'Year'],
    columns='Series Name',
    values='Value',
    aggfunc='first'  # 若有重复记录取第一个值，可按需替换为mean/sum等
).reset_index()

关键说明 #

1. 第一步的修正：你之前的melt只保留了Country Name，漏掉了Series Name，导致无法关联变量和对应数值，这是核心问题。
2. 年份提取：正则(\d{4})精准匹配4位年份数字，转成整数后更便于后续时间序列分析。
3. pivot_table的作用：自动将每个Series Name的唯一值转为单独列，同时用aggfunc处理可能的重复数据（比如同一国家同一年份同一变量有多条记录）。

运行后得到的DataFrame完全符合你的需求：每个国家对应所有年份的记录，每个分析变量作为独立列存储对应数值。

内容的提问来源于stack exchange，提问作者alter_k