如何使pandas groupby基于数据值而非索引分组生成目标DataFrame？

你的问题出在df.groups返回的是分组对应的原数据索引集合，而非price列的数值，所以生成的DataFrame自然是索引值。要得到目标结构，可以通过给分组内的行添加序号后透视，或者用groupby结合unstack实现：

方法一：添加组内行号 + 透视 #

import pandas as pd

# 构造原DataFrame（示例数据）
my_old_df = pd.DataFrame({
    'date': [2006, 2007, 2007, 2006],
    'price': [500, 2000, 3400, 5000]
})

# 给每个年份分组内的行生成递增序号
my_old_df['row_id'] = my_old_df.groupby('date').cumcount()

# 透视转换为目标结构：行是序号，列是年份，值是price
my_desired_df = my_old_df.pivot(
    index='row_id',
    columns='date',
    values='price'
).reset_index(drop=True)  # 去掉多余的row_id索引列

# 调整列顺序匹配你的目标（可选）
my_desired_df = my_desired_df[[2007, 2006]]

print(my_desired_df)

输出结果：

2007  2006
0  2000   500
1  3400  5000

方法二：Groupby + Unstack #

# 直接对price列分组，将每组的price转为序列后unstack成列
my_desired_df = my_old_df.groupby('date')['price'].apply(
    lambda x: x.reset_index(drop=True)
).unstack()

# 调整列顺序
my_desired_df = my_desired_df[[2007, 2006]]

关键说明 #

• cumcount()：给每个分组内的行从0开始编号，确保不同年份的price能按顺序对应到同一行
• pivot()：将行转列的核心方法，通过指定索引、列、值三个参数完成结构转换
• unstack()：把分组后的层级索引展开为列，适合这种分组后转列的场景

内容的提问来源于stack exchange，提问作者Yann