如何对Pandas DataFrame进行类熔解（Melting）转换？

我有如下Pandas DataFrame：

import pandas as pd
df = pd.DataFrame({'day': [1, 1, 2, 2], 'category': ['a', 'b', 'a', 'b'],
              'min_feature1': [1, 2, 3, 4], 'max_feature1': [8, 9, 10, 11],
              'min_feature2': [2, 3, 4, 5], 'max_feature2': [6, 9, 12, 13]})

显示结果如下：

希望转换为如下结构：

result = pd.DataFrame([[1, 'a', 'feature1', 1, 8],
 [1, 'a', 'feature2', 2, 6],
[1, 'b', 'feature1', 2, 9],
[1, 'b', 'feature2', 3, 9],
[2, 'a', 'feature1', 3, 10],
[2, 'a', 'feature2', 4, 12],
[2, 'b', 'feature1', 4, 11],
[2, 'b', 'feature2', 5, 13],], columns=['day', 'category', 'feature', 'min', 'max'])

显示结果：

请问该如何实现这一转换？

可以通过Pandas的melt+列拆分+pivot组合操作实现，步骤如下：

1. 将宽表转为长表，保留标识列
   以day和category为固定标识列，把所有特征相关列转为行数据：

   melted = df.melt(id_vars=['day', 'category'], var_name='type_feature', value_name='value')
   

2. 拆分特征类型与特征名
   把type_feature列（如min_feature1）按下划线拆分为类型（min/max）和特征名：

   melted[['type', 'feature']] = melted['type_feature'].str.split('_', n=1, expand=True)
   

3. 将类型转为列，重置索引
   通过pivot把type列的min和max转为独立列，再清理索引：

   result = melted.pivot(index=['day', 'category', 'feature'], columns='type', values='value').reset_index()
   result.columns.name = None  # 移除列索引的冗余名称
   

也可以合并为一行链式操作：

result = (df.melt(id_vars=['day', 'category'], var_name='type_feature')
            .assign(**dict(zip(['type', 'feature'], 
                               zip(*df.melt(id_vars=['day', 'category'])['type_feature'].str.split('_', n=1)))))
            .pivot(index=['day', 'category', 'feature'], columns='type', values='value')
            .reset_index()
            .rename_axis(None, axis=1))

执行上述代码后，即可得到目标结构的DataFrame。

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