如何将同ID多行加速度计数据转换为宽格式DataFrame用于机器学习

我正在将加速度计数据样本合并为单个DataFrame用于机器学习，每个样本含100条数据存于CSV，合并后得到长格式DataFrame：

需要转换为宽格式DataFrame适配机器学习：

已尝试melt、stack/unstack、groupby及for循环，未得到理想结果，求可行方案。

解决方案 #

核心思路是先给每个ID下的行添加组内序号，再通过pivot实现宽表转换，适配100条数据的样本完全没问题：

步骤1：添加组内序号 #

对每个ID分组，为组内每行生成从1开始的序号，用来区分同一ID下的不同采样点：

import pandas as pd

# 假设原始长格式数据存储在df中
df['sample_num'] = df.groupby('ID').cumcount() + 1

步骤2：转换为宽格式 #

用pivot方法，以ID和Class作为索引，sample_num关联列名，X/Y/Z作为值：

wide_df = df.pivot(index=['ID', 'Class'], columns='sample_num', values=['X', 'Y', 'Z'])

步骤3：整理列名并重置索引 #

把多层列名合并为X1、Y1这种格式，再将ID和Class从索引转回普通列：

# 合并多层列名
wide_df.columns = [f'{col[0]}{col[1]}' for col in wide_df.columns]
# 重置索引
wide_df = wide_df.reset_index()

完整可运行代码 #

import pandas as pd

# 构造示例数据（实际使用时替换为你的CSV加载代码）
data = {
    'ID': ['ID 1', 'ID 1', 'ID 2', 'ID 2', 'ID 3', 'ID 3', 'ID 4', 'ID 4'],
    'X': [4,4,3,2,1,2,2,2],
    'Y': [2,2,4,2,4,3,1,2],
    'Z': [6,5,4,1,5,2,5,5],
    'Class': ['动作1','动作1','动作2','动作2','动作3','动作3','动作1','动作1']
}
df = pd.DataFrame(data)

# 添加组内序号
df['sample_num'] = df.groupby('ID').cumcount() + 1

# 转换为宽格式
wide_df = df.pivot(index=['ID', 'Class'], columns='sample_num', values=['X', 'Y', 'Z'])

# 整理列名与索引
wide_df.columns = [f'{col[0]}{col[1]}' for col in wide_df.columns]
wide_df = wide_df.reset_index()

print(wide_df)

运行后输出的结果就是目标宽格式DataFrame，针对每个ID下100条数据的场景，会自动生成X1至X100、Y1至Y100、Z1至Z100的列。

内容的提问来源于stack exchange，提问作者Grimsbear