如何对含索引的DataFrame执行melt操作，将True替换为对应列名？

首先先确认你的原始DataFrame：

import pandas as pd

df = pd.DataFrame( 
    [ ["True", "False"], ["True", "True"], ["False", "True"], ], 
    index=["bob", "sue", "joe"], 
    columns=["R1", "R2"], 
)

你需要把这个宽表转成指定的长表，保留原索引作为姓名列，同时只保留值为"True"的条目并把对应值替换成列名。下面是两种简洁的实现方式：

方法一：链式调用（推荐） #

这种方式步骤清晰逻辑直观，一步就能搞定：

result_df = (df
             # 把原索引转为名为"Names"的列
             .reset_index(names="Names")
             # 执行melt，将宽表转长表
             .melt(id_vars="Names", var_name="Role", value_name="Value")
             # 筛选出值为"True"的行
             .query('Value == "True"')
             # 删除不需要的Value列
             .drop(columns="Value")
             # 重置结果索引（可选，让索引从0开始更整洁）
             .reset_index(drop=True)
)

步骤拆解： #

• reset_index(names="Names")：把原来的行索引（bob、sue、joe）转换成单独的列，确保后续转换时不会丢失姓名信息。
• melt(...)：将宽格式的DataFrame转为长格式，id_vars指定要保留的列（这里是Names），var_name设置原来的列名（R1/R2）要存放的新列名，value_name暂存原来的单元格值。
• query('Value == "True"')：只保留值为"True"的条目，过滤掉False的行。
• drop(columns="Value")：删除临时的Value列，只保留我们需要的Names和Role。
• reset_index(drop=True)：重置结果的索引，让输出更规整。

运行后得到的结果完全符合你的要求：

Names Role
0    bob   R1
1    sue   R1
2    sue   R2
3    joe   R2

方法二：先替换值再转换 #

如果你习惯先把True值替换成对应列名再做转换，也可以这么写：

# 先将每个True值替换为所在列的列名，False保持不变
df_replaced = df.apply(lambda col: col.where(col == "False", col.name))

result_df = (df_replaced
             .reset_index(names="Names")
             .melt(id_vars="Names", var_name="Role", value_name="Value")
             # 过滤掉False的行
             .query('Value != "False"')
             .drop(columns="Value")
             .reset_index(drop=True)
)

这种方式和方法一结果完全一致，只是操作顺序不同，你可以根据自己的习惯选择。

内容的提问来源于stack exchange，提问作者pymat