是否存在df.melt()的反向函数？如何一步实现指定DataFrame宽表转换

你可以用以下几种更简洁的方式实现需求，避免多次分组和合并操作：

方法1：分组生成列标识后透视 #

通过groupby.cumcount()为每个分组内的行生成序号，再用pivot直接转换：

import pandas as pd

df = pd.DataFrame(data={'elem': ['a', 'a', 'b', 'b'], 'node' : [1,2,3,4]})
# 生成分组内序号（从1开始）
df['seq'] = df.groupby('elem').cumcount() + 1
# 透视并重命名列
result = df.pivot(index='elem', columns='seq', values='node') \
           .rename(columns={1: 'node_x', 2: 'node_y'}) \
           .reset_index()

方法2：分组聚合为列表后展开 #

利用groupby.agg()将每个分组的node值收集为列表，再直接转为DataFrame并重命名列：

result = df.groupby('elem')['node'] \
           .agg(list) \
           .apply(pd.Series) \
           .rename(columns={0: 'node_x', 1: 'node_y'}) \
           .reset_index()

方法3：设置多级索引后展开 #

通过设置包含分组序号的多级索引，再用unstack将行转列：

result = df.set_index(['elem', df.groupby('elem').cumcount()])['node'] \
           .unstack() \
           .rename(columns={0: 'node_x', 1: 'node_y'}) \
           .reset_index()

以上方法都能一步完成转换，相比你原来的多次分组合并操作更高效简洁，且无需依赖idxmin/idxmax（避免当node值顺序变化时可能出现的结果偏差）。

内容的提问来源于stack exchange，提问作者rlepretre