如何在Python/Pandas中处理部门周数据结构差异实现合并对比

根据你的需求，核心是将长表与宽表互相转换，仅处理周数据部分，保留部门的分组逻辑。Pandas的melt（宽表转长表）和pivot/pivot_table（长表转宽表）方法正好能满足这个需求，以下是两种场景的具体实现：

场景1：把Data2（周数据按列分布的宽表）转成Data1的行格式（长表） #

假设Data2的结构是部门 + 周1、周2...的列布局，用melt提取周列作为行数据：

import pandas as pd

# 读取数据（替换为你的文件路径）
data2 = pd.read_excel("你的Excel文件.xlsx", sheet_name="Data2")

# 转换：保留部门列，将所有周相关列转为行
data2_transformed = pd.melt(
    data2,
    id_vars=["部门"],          # 固定不转置的列
    var_name="周数",           # 生成的周数据行的列名
    value_name="对应数值"      # 生成的数值列名
)

转换后的数据结构会和Data1完全匹配，可直接用pd.merge合并。

场景2：把Data1（周数据按行分布的长表）转成Data2的列格式（宽表） #

如果需要将Data1转成Data2的布局，用pivot或pivot_table实现：

import pandas as pd

# 读取数据（替换为你的文件路径）
data1 = pd.read_excel("你的Excel文件.xlsx", sheet_name="Data1")

# 转换：按部门分组，周数作为列，数值填充对应单元格
data1_transformed = data1.pivot(
    index="部门",
    columns="周数",
    values="数值"
).reset_index()  # 将部门从索引转回普通列

# 清理列名层级（可选）
data1_transformed.columns.name = None

如果Data1中存在同一部门+周数的重复行，用pivot_table加聚合函数处理：

data1_transformed = data1.pivot_table(
    index="部门",
    columns="周数",
    values="数值",
    aggfunc="sum"  # 根据业务需求选sum/mean等聚合方式
).reset_index()
data1_transformed.columns.name = None

合并操作 #

格式统一后，直接用pd.merge按对应字段合并：

# 假设已转成相同的长表格式
merged_data = pd.merge(data1, data2_transformed, on=["部门", "周数"], how="outer")

内容的提问来源于stack exchange，提问作者Krishna