如何在Pandas中实现类似R data.table dcast的行ID序列透视转换？

我明白你想要实现的效果——把每个ID+Cue组合压缩成一行，同时将不同trial对应的time和accuracy横向展开，就像R里data.table::dcast的功能。你之前用pivot_table得到分层堆叠的结果，是因为参数设置没抓住核心，下面给你两种可行的解决方法：

方法一：使用pivot+列名合并 #

这是最贴近你需求的方式，步骤清晰且容易定制：

1. 准备示例数据（先确保你的数据列名正确）：

import pandas as pd

data = [
    ["A", "apple", "copy", 1450, 1],
    ["A", "dog", "copy", 2154, 1],
    ["A", "apple", "test1", 2121, 0],
    ["A", "dog", "test2", 0, 1],
    ["A", "apple", "final", 1231, 0],
    ["A", "dog", "final", 5411, 1],
    ["B", "apple", "copy", 818, 0]
]
df = pd.DataFrame(data, columns=["ID", "Cue", "trial", "time", "accuracy"])

2. 执行pivot转换：
   把ID和Cue设为行索引，trial设为列，同时指定要展开的time和accuracy为值：

pivoted_df = df.pivot(index=["ID", "Cue"], columns="trial", values=["time", "accuracy"])

这时候你会得到一个多层列索引的结果，外层是time/accuracy，内层是trial的取值（比如copy、test1）。

3. 合并多层列名为单层：
   把两层列名用下划线拼接，让列名更直观，同时重置索引把ID和Cue变回普通列：

pivoted_df.columns = pivoted_df.columns.map('_'.join)
pivoted_df = pivoted_df.reset_index()

最终得到的结果格式如下（NaN表示该组合没有对应的trial数据）：

方法二：指定trial的分类顺序（可选） #

如果你的trial是有逻辑顺序的分类变量（比如copy→test1→final），可以先把trial设为分类类型，确保展开后的列顺序符合你的分析需求：

# 指定trial的顺序
df['trial'] = pd.Categorical(df['trial'], categories=['copy', 'test1', 'test2', 'final'], ordered=True)
# 再执行上面的pivot和列名合并步骤
pivoted_df = df.pivot(index=["ID", "Cue"], columns="trial", values=["time", "accuracy"])
pivoted_df.columns = pivoted_df.columns.map('_'.join)
pivoted_df = pivoted_df.reset_index()

为什么你之前的pivot_table不对？ #

你之前的代码data.pivot_table(index=['ID', 'Cue', 'TrialType'], values=['time', 'accuracy'])是把TrialType放到了行索引里，所以结果会按ID→Cue→TrialType分层堆叠，而不是把TrialType作为横向的列来展开——这和你想要的方向完全相反啦。

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