如何按时间整理用户多次回答，生成宽格式DataFrame？

你需要用**透视表（pivot table）**来实现长表转宽表的需求，这比单纯按User ID分组更贴合你的场景。以下是具体实现步骤：

1. 准备示例数据 #

先还原你提供的原始DataFrame：

import pandas as pd

data = {
    'User ID': ['User A', 'User B', 'User B', 'User B', 'User A', 'User C'],
    'Time': ['2012-01', '2012-02', '2012-01', '2012-03', '2012-02', '2012-03'],
    'Answer': [5, 6, 5, 6, 5, 6]
}
df = pd.DataFrame(data)

2. 生成目标格式的透视表 #

用pivot_table方法将Time列的取值转为列名，User ID作为行标识，Answer作为填充值，同时直接处理缺失值：

pivot_df = df.pivot_table(
    index='User ID',
    columns='Time',
    values='Answer',
    aggfunc='first',  # 同一用户同一时间多次回答时取第一个，可替换为'mean'/'max'等
    fill_value='X'
).reset_index()

# 移除列名的层级标签，让格式更整洁
pivot_df.columns.name = None

执行后得到的结果与你期望的格式一致（注：原始数据中User A的2012-02回答为5，以下结果为真实处理结果）：

关键说明 #

• aggfunc='first'：针对同一用户同一时间有多条回答的场景，该参数用于指定合并规则，根据需求可替换为'mean'（取平均值）、'max'（取最大值）等。
• fill_value='X'：直接将无回答的单元格填充为你指定的X，省去后续单独填充缺失值的步骤。
• reset_index()：将User ID从行索引转回普通列，完全匹配你要的输出结构。

如果你的数据中不存在同一用户同一时间多条回答的情况，也可以用df.pivot(index='User ID', columns='Time', values='Answer').fillna('X').reset_index()实现，但pivot_table的兼容性更强，能处理重复行的情况。

内容的提问来源于stack exchange，提问作者Nat Guess