Pandas：转置DataFrame并利用列名创建多级索引

嘿，你想要把宽格式的DataFrame转成目标里的长格式表格对吧？其实不用绕弯子用df.T——虽然转置也能实现，但步骤会繁琐很多。Pandas专门提供了stack()和melt()这两个工具，直接就能搞定宽转长的需求，我给你一步步演示：

首先先还原你的原始DataFrame，方便你复现测试：

import pandas as pd

# 构造原始数据
data = {
    'user': ['Me', 'Myself', 'And_Irene'],
    '2019-01-01': [1.0, 2.0, 3.0],
    '2019-01-02': [3.0, 2.0, 1.0]
}
df = pd.DataFrame(data)

方法一：用stack()（推荐，适合索引式的宽转长） #

这个方法的思路是把日期列"堆叠"成索引的一部分，再调整结构：

# 1. 把user列设置为DataFrame的索引
df_indexed = df.set_index('user')
# 2. 调用stack()，将日期列名转为二级索引，数值转为单列
stacked_df = df_indexed.stack().reset_index()
# 3. 给列重命名成你想要的名称
stacked_df.columns = ['user', 'Date', 'Count']
# 4. 调整列顺序，并设置Date和user为复合索引（和目标格式一致）
final_result = stacked_df[['Date', 'user', 'Count']].set_index(['Date', 'user'])

运行后得到的结果就是你想要的：

Count
Date       user           
2019-01-01 Me          1.0
           Myself      2.0
           And_Irene   3.0
2019-01-02 Me          3.0
           Myself      2.0
           And_Irene   1.0

方法二：用melt()（更直观，适合初学者） #

melt()是专门为宽转长设计的函数，参数含义很清晰：

# id_vars：保留作为标识的列（这里是user）
# var_name：原来的列名（日期）要转成的新列名
# value_name：原来的数值要转成的新列名
melted_df = df.melt(id_vars='user', var_name='Date', value_name='Count')
# 同样调整列顺序和索引
final_result = melted_df[['Date', 'user', 'Count']].set_index(['Date', 'user'])

这个方法和stack()得到的结果完全一致，而且代码更简洁易懂。

如果你非要用df.T的话... #

当然也能实现，但步骤会绕很多：

# 1. 先转置
df_transposed = df.T
# 2. 把第一行（原来的user列值）设为新的列名
new_columns = df_transposed.iloc[0]
df_transposed = df_transposed[1:]
df_transposed.columns = new_columns
# 3. 重置索引，再用melt转成长格式
result_t = df_transposed.reset_index().melt(id_vars='index', var_name='user', value_name='Count')
# 4. 调整列名和顺序
result_t.columns = ['Date', 'user', 'Count']
final_result_t = result_t[['Date', 'user', 'Count']].set_index(['Date', 'user'])

你看，是不是比前面两种方法麻烦多了？所以还是优先用stack()或者melt()更高效~

内容的提问来源于stack exchange，提问作者Zizzipupp