如何在Pandas中自动化实现长表的类型分组、变量拆分及透视表生成？

当然可以自动化这个流程！手动写40行重复代码不仅麻烦，还容易出错，用Pandas的groupby功能就能轻松搞定，不管你有多少个type和name值，代码都能自动适配。

核心思路 #

我们可以分两步实现自动化：

• 第一步：按type把原始数据分成不同的组（比如你例子里的HLN和AIS）
• 第二步：对每个type组内的数据，再按name拆分，自动为每个name生成对应的透视表

具体代码实现 #

首先，我们可以定义一个简单的函数来生成单个分组的透视表，让代码结构更清晰：

def generate_pivot_table(sub_df):
    # 生成指定子数据集的透视表
    return sub_df.pivot(index="datetime", columns="description", values="value")

接下来，用嵌套的分组逻辑来自动化整个流程，把结果存在一个嵌套字典里，方便后续按type和name快速调用：

# 初始化一个字典来存储所有透视表结果
pivot_tables = {}

# 外层循环：按type分组遍历所有类型
for type_label, type_data in df.groupby('type'):
    # 内层字典推导式：对当前type组，按name分组生成透视表
    pivot_tables[type_label] = {
        name: generate_pivot_table(name_data)
        for name, name_data in type_data.groupby('name')
    }

如何使用生成的结果 #

现在你可以轻松访问任何type和name对应的透视表了，比如：

• 获取HLN类型下NO2的透视表：pivot_tables['HLN']['NO2']
• 获取AIS类型下CO的透视表：pivot_tables['AIS']['CO']

额外优化（可选） #

如果之后需要把同一type下的所有name透视表合并成一个大表（按datetime自动对齐），可以用pd.concat快速实现：

# 合并HLN类型下的所有name透视表，name作为列的顶层索引
hln_combined = pd.concat(pivot_tables['HLN'].values(), axis=1, keys=pivot_tables['HLN'].keys())

这样生成的合并表能让你更方便地对比同一类型下不同参数的时序数据。

这个方法完全替代了手动拆分和生成透视表的重复操作，不管后续新增多少个type或name值，代码都不需要修改，非常灵活！

内容的提问来源于stack exchange，提问作者user16511234