如何用Pandas重排DataFrame：将类别转成行、时间点转成列

原始数据 #

data={'P1_1': ['1', '6', '5','8', '4', '7', '5', '7', '1', '7', '3', '2', '1', '4', '7', '5', '7', '1'],
        'P1_2':['3', '7', '7','9', '8', '10', '8', '9', '3', '10', '9', '5', '3', '8', '9', '6', '7', '5'],
       'P2_1': ['1', '2', '3','4', '5', '6', '7', '8', '9', '10', '11', '12', '13', '14', '15', '16', '17', '18'],
         'P2_2': ['3', '7', '7','9', '8', '10', '8', '9', '8', '10', '12', '13', '14', '8', '17', '8', '2', '5']}
df=pd.DataFrame(data)

原始结构说明：

• 列名格式为{类别}_{时间点}（如P1_1代表类别P1的时间点1数据）
• 每行对应同一样本在不同类别、时间点的取值

目标结构 #

将数据重构为：

• 行：类别（P1、P2、P3...）
• 列：时间点（1、2...）
• 单元格填充对应类别+时间点的所有原始数据（每个类别下的行是原DataFrame对应列的完整值列表）

通用实现方法 #

这是典型的宽表转结构化表的问题，下面两种方法都支持任意数量的类别和时间点，无需修改代码即可适配扩展场景：

方法1：melt + pivot（直观易懂）

# 1. 添加样本索引，保证数据顺序一致
df['sample_idx'] = df.index

# 2. 转长表，拆分列名为类别和时间点
melted_df = df.melt(id_vars='sample_idx', var_name='cat_time', value_name='data')
melted_df[['category', 'time']] = melted_df['cat_time'].str.split('_', expand=True)

# 3. 转宽表得到目标结构
result = melted_df.pivot(index='category', columns='time', values='data')

# 4. 整理格式（可选）
result.columns.name = None
result = result.reset_index().rename(columns={'index': 'category'})

方法2：stack + unstack（简洁高效）

利用多层列索引直接重塑：

# 将列名拆分为类别、时间点两层索引
df.columns = df.columns.str.split('_', expand=True)

# 重塑数据：交换层级并转置
result = df.stack(level=0).unstack(level=0).T.reset_index()
result.columns = ['category'] + list(result.columns[1:])
result.columns.name = None

结果示例 #

运行后得到的目标结构如下：

如果新增类别（如P3_1、P3_2）或时间点（如P1_3），代码会自动识别并纳入结果，完全通用。

内容的提问来源于stack exchange，提问作者Kajette