如何使用Python和Pandas将DataFrame中的行转换为列（CSV数据源场景）

嘿，我来帮你搞定这个问题！要把cases数据转换成以week 1、week 2...为列的格式，本质上是把长格式数据转成宽格式，用Pandas的pivot()或pivot_table()方法就能轻松实现，我分常见场景给你讲具体操作：

场景1：CSV里已经有现成的周数列 #

假设你的原始CSV数据结构是这样的（比如包含分组列、周数、cases）：

region,week,cases
华北,1,120
华北,2,150
华南,1,90
华南,2,110

操作步骤：

1. 先读取CSV文件：

import pandas as pd

# 替换成你的CSV文件路径
df = pd.read_csv('your_cases_data.csv')

2. 用pivot()转成宽格式：
   如果你的数据里，每个分组+周数的组合是唯一的（没有重复记录），直接用pivot()：

# 按region作为行索引，week作为列，cases作为值
pivoted_df = df.pivot(index='region', columns='week', values='cases')

# 把列名改成"week 1"、"week 2"的格式
pivoted_df.columns = [f'week {col}' for col in pivoted_df.columns]

# 可选：把行索引（region）转成普通列
pivoted_df = pivoted_df.reset_index()

如果同一分组+周数有重复的cases记录（比如同一天多次上报），就用pivot_table()指定聚合方式（比如求和/取平均）：

pivoted_df = df.pivot_table(
    index='region',
    columns='week',
    values='cases',
    aggfunc='sum'  # 可替换成'mean'、'max'等，根据你的需求选择
)

# 同样重命名列并重置索引
pivoted_df.columns = [f'week {col}' for col in pivoted_df.columns]
pivoted_df = pivoted_df.reset_index()

最终效果：

处理后的数据会变成这样：

region  week 1  week 2
0    华北     120     150
1    华南      90     110

场景2：CSV只有日期列，需要先提取周数 #

如果你的原始数据只有日期和cases，没有现成的周数列，那先从日期里提取周数再转格式：

假设原始CSV是这样的：

region,date,cases
华北,2024-01-01,30
华北,2024-01-05,40
华北,2024-01-08,50
华南,2024-01-02,25
华南,2024-01-06,35

操作步骤：

1. 读取数据并转换日期格式：

import pandas as pd

df = pd.read_csv('your_cases_data.csv')
# 把date列转换成datetime类型
df['date'] = pd.to_datetime(df['date'])

2. 提取周数：

# 提取ISO标准周数（推荐，避免跨年周数混乱）
df['week'] = df['date'].dt.isocalendar().week

3. 然后重复场景1的pivot()或pivot_table()步骤即可，最终同样得到以week 1、week 2为列的宽格式数据。

补充小技巧： #

• 如果你的数据没有分组列（只有周数和cases），可以把index设为一个临时列，或者直接用：

pivoted_df = df.pivot(columns='week', values='cases').rename(columns=lambda x: f'week {x}').reset_index(drop=True)

• 处理缺失值：如果某些周没有数据，结果里会出现NaN，可以用fillna(0)填充为0：pivoted_df = pivoted_df.fillna(0)

内容的提问来源于stack exchange，提问作者standardmarcelo