Python Pandas：如何高效实现垂直数据到水平数据的转换？

嘿，你的这个需求完全可以用Pandas的内置分组+透视功能来实现，比手动遍历简洁太多，而且是向量化操作，数据量大的时候速度优势会特别明显！

核心思路 #

我们可以通过给每个Reference_id组内的成员生成序号，然后将长表格式的Name列重塑为宽表，最后关联回对应的Person_ID即可，全程不用手动循环。

完整实现代码 #

首先先还原你的原始DataFrame：

import pandas as pd

person_id = [1,2,3,4,5]
reference_id = [1,1,1,4,9]
name = ['Max','Kevin','Sara',"Chessi","Fernando"]
list_tuples=list(zip(person_id,reference_id,name))
old_dataframe = pd.DataFrame(list_tuples,columns=['Person_ID','Reference_id','Name'])

接下来是转换步骤：

1. 给每个组内的成员生成序号列
   我们用groupby.cumcount()给每个Reference_id组内的行编顺序，然后拼接成Member1、Member2这样的列名：

   old_dataframe['member_col'] = 'Member' + (old_dataframe.groupby('Reference_id').cumcount() + 1).astype(str)
   

2. 将长表转为宽表
   用pivot函数把每个Reference_id对应的Name值展开到对应的Member列中：

   pivot_df = old_dataframe.pivot(index='Reference_id', columns='member_col', values='Name').reset_index()
   

3. 关联对应的Person_ID
   观察你的目标结果，每个Reference_id对应的Person_ID是原始数据中Person_ID与Reference_id相等的那一行的值，我们先构建这个映射关系，再添加到透视后的表中：

   # 构建Reference_id到Person_ID的映射
   ref_person_map = old_dataframe[old_dataframe['Person_ID'] == old_dataframe['Reference_id']].set_index('Reference_id')['Person_ID'].to_dict()
   pivot_df['Person_ID'] = pivot_df['Reference_id'].map(ref_person_map)
   

4. 调整列顺序并填充空值
   把Person_ID移到最前面，同时把空值填充为空白（和你的示例格式一致）：

   # 调整列顺序
   pivot_df = pivot_df[['Person_ID', 'Reference_id', 'Member1', 'Member2', 'Member3']]
   # 填充空值为空白字符串
   pivot_df = pivot_df.fillna('')
   

执行完这些步骤后，pivot_df就是你想要的目标DataFrame了！

为什么这个方案更好？ #

• 无需手动遍历：避免了循环带来的代码冗余和潜在错误，Pandas的向量化操作效率远高于手动循环，数据量越大优势越明显。
• 代码简洁可读：每一步都对应明确的逻辑，后续维护起来更方便。
• 扩展性强：如果后续需要支持更多Member列（比如Member4、Member5），只需要去掉列顺序中的硬编码，或者调整序号生成逻辑即可。

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