如何在Pandas中动态透视未知取值的列？

输入数据 #

期望输出1：保留Date的逐行透视 #

期望输出2：按ID合并计数的透视 #

核心需求 #

事先未知Status列的具体取值，需动态生成透视后的列。

实现期望输出1 #

使用pd.get_dummies自动识别所有Status取值，生成哑变量后与原表合并：

import pandas as pd

# 构造输入DataFrame（实际场景可从文件读取）
df = pd.DataFrame({
    'ID': [1,1,2,3,3,4,5,5],
    'Status': ['Online','Offline','Online','Online','None','Offline','Online','Online'],
    'Date': ['2022-06-31','2022-07-28','2022-08-01','2022-07-03','2022-07-05','2022-05-02','2022-04-04','2022-04-06']
})

# 生成Status的哑变量，自动覆盖所有可能的取值
status_dummies = pd.get_dummies(df['Status'])
# 合并ID、Date与哑变量列
result1 = pd.concat([df[['ID', 'Date']], status_dummies], axis=1)

此方法无需手动指定Status的取值，会根据数据自动生成对应的列，完全适配动态需求。

实现期望输出2 #

方法1：使用pivot_table动态聚合 #

# 按ID分组，对Status的不同取值计数，缺失值填充为0
result2 = df.pivot_table(
    index='ID',
    columns='Status',
    values='Date',  # 任意非空列均可用于计数
    aggfunc='count',
    fill_value=0
).reset_index()

pivot_table会自动识别所有Status的取值作为列名，无需预先定义。

方法2：groupby结合get_dummies求和 #

# 按ID分组后，对每组的Status生成哑变量并求和
result2 = df.groupby('ID')['Status'].apply(
    lambda x: pd.get_dummies(x).sum()
).reset_index()

两种方法均能实现按ID合并计数的效果，且均支持动态识别Status的所有可能取值。

内容的提问来源于stack exchange，提问作者Shan