如何从嵌套列表生成以股票编号为列、日期为行的DataFrame

刚好做过类似的需求，用Pandas的透视表功能就能完美解决这个通用转换问题，完全不需要手动指定股票编号或者日期，自动适配任意规模的嵌套列表。

核心思路 #

先把嵌套列表转换成基础的三列DataFrame，再通过**透视（pivot）**操作重塑成你需要的“日期为行、股票编号为列”的结构，缺失数据会自动填充NaN，完全符合你的要求。

完整代码示例 #

import pandas as pd

# 你的原始嵌套列表（这里用你给出的示例，任意规模都适用）
A = [[120, 'Date1', 1.03], [120, 'Date2', 1.04], [120, 'Date3', 1.02], 
     [240, 'Date1', 1.06], [240,'Date2', 0.98], [240, 'Date3', 1.04], 
     [381, 'Date2', 1.03], [381, 'Date3', 0.85]]

# 1. 将嵌套列表转为基础DataFrame，定义临时列名
raw_df = pd.DataFrame(A, columns=['股票编号', '日期', '数值'])

# 2. 执行透视操作，自动生成目标结构
target_df = raw_df.pivot(index='日期', columns='股票编号', values='数值')

# 查看结果
print(target_df)

运行后输出的结果完全匹配你想要的结构：

股票编号   120   240   381
日期                     
Date1   1.03  1.06   NaN
Date2   1.04  0.98  1.03
Date3   1.02  1.04  0.85

处理特殊情况：重复数据 #

如果你的嵌套列表中存在同一股票+同一日期对应多个数值的情况，pivot会抛出错误。这时候可以用pivot_table替代，通过aggfunc参数指定重复值的处理逻辑（比如取均值、第一个值、最大值等）：

# 处理重复数据，这里以取均值为例，可替换为'first'/'max'/'min'等
target_df = raw_df.pivot_table(
    index='日期', 
    columns='股票编号', 
    values='数值', 
    aggfunc='mean'  # 自定义重复值处理规则
)

为什么这是通用方案？ #

• 不管嵌套列表里有多少个股票编号、多少个日期，代码都会自动识别所有唯一值作为列和行
• 缺失的（股票+日期）组合会自动填充NaN，不需要手动处理
• 完全不需要硬编码任何股票编号或日期，适配任意规模的输入

内容的提问来源于stack exchange，提问作者Hertzeh