如何将多行CSV时序数据转换为按企业列展示的宽表格式？

你需要的是数据重塑，把长格式（long format）转换为宽格式（wide format），Pandas里用pivot或pivot_table就能直接实现，完全不需要低效的嵌套循环，处理30万行数据也能高效完成。

步骤1：读取数据 #

先加载CSV，自动解析日期列以方便后续处理：

import pandas as pd

# 读取CSV文件，指定解析日期列
df = pd.read_csv('your_file.csv', parse_dates=['Date and time'])

步骤2：转换为宽格式 #

情况1：同一时间+企业唯一对应一条记录

直接用pivot方法完成结构转换：

# 重塑数据：日期作为行索引，企业名作为列名，用电量作为对应值
wide_df = df.pivot(
    index='Date and time',
    columns='Company',
    values='Usage'
).reset_index()  # 可选：将日期从索引转回普通列，匹配你给出的示例格式

# 可选：把缺失值（某时间某企业无数据）补为0
wide_df = wide_df.fillna(0)

转换后的数据结构完全符合你的需求：日期列在前，每个企业作为独立列，对应时间的用电量填充到对应位置。

情况2：同一时间+企业存在多条记录（如重复数据）

如果数据里存在同一时间同一企业的多条用电量记录，用pivot_table指定聚合方式避免报错：

wide_df = df.pivot_table(
    index='Date and time',
    columns='Company',
    values='Usage',
    aggfunc='sum',  # 重复数据求和，也可根据需求用'mean'等聚合方式
    fill_value=0  # 直接将缺失值补为0
).reset_index()

步骤3：保存结果 #

把转换后的宽格式数据导出为新CSV：

wide_df.to_csv('wide_format_data.csv', index=False)

你之前方法无效的原因 #

• df.groupby('Company')['Usage']仅完成了数据分组，没有改变数据结构，它返回的是分组对象，需要配合聚合函数才能得到统计结果，但不是你要的宽格式结构。
• 嵌套循环写法逻辑错误：遍历df得到的是列名而非行数据，且df[][]的索引方式不符合Pandas规范；同时循环处理30万行数据效率极低，完全不适合这类数据场景。

内容的提问来源于stack exchange，提问作者olividir