如何筛选并重组Pandas DataFrame？透视表是否可行？

核心场景：长表↔宽表转换 #

大部分这类需求都是长表与宽表的互转，以下是针对不同场景的高效实现方案：

1. 长表转宽表（最常见需求） #

如果你的原DataFrame是长格式（每行是一条属性记录），目标是转成宽格式（每行是一个主体的所有属性），优先用这几种方法：

方法1：pivot（无重复组合时首选） #

语法简洁，性能最优，适合index+columns组合无重复的场景：

import pandas as pd

# 示例原长表df
df = pd.DataFrame({
    '用户ID': ['A', 'A', 'B', 'B'],
    '指标': ['年龄', '性别', '年龄', '性别'],
    '值': [25, '男', 30, '女']
})

# 转换为宽表df2
df2 = df.pivot(index='用户ID', columns='指标', values='值').reset_index()
df2.columns.name = None  # 移除列名的层级标签

输出的df2：

用户ID  年龄 性别
0    A  25  男
1    B  30  女

方法2：pivot_table（处理重复组合） #

如果index+columns存在重复行，需要聚合取值（比如求和、均值），用pivot_table：

# 含重复记录的原df
df = pd.DataFrame({
    '用户ID': ['A', 'A', 'A', 'B'],
    '指标': ['年龄', '年龄', '性别', '年龄'],
    '值': [25, 26, '男', 30]
})

# 以均值聚合重复的年龄数据
df2 = df.pivot_table(
    index='用户ID',
    columns='指标',
    values='值',
    aggfunc='mean'  # 可替换为sum、first等聚合函数
).reset_index()
df2.columns.name = None

方法3：set_index + unstack（复杂多索引场景） #

灵活性极强，适合包含多级索引/列的复杂转换，性能与pivot相当：

df2 = df.set_index(['用户ID', '指标'])['值'].unstack().reset_index()
df2.columns.name = None

2. 宽表转长表 #

如果需求是宽表转长表，用melt是标准方案：

# 示例原宽表df
df = pd.DataFrame({
    '用户ID': ['A', 'B'],
    '年龄': [25, 30],
    '性别': ['男', '女']
})

# 转换为长表df2
df2 = df.melt(
    id_vars='用户ID',  # 保留作为标识的列
    var_name='指标',   # 原列名转为新列的名称
    value_name='值'    # 原单元格值转为新列的名称
)

方案选择建议 #

• 无重复记录的长转宽：优先用pivot，最快最简洁
• 有重复记录需要聚合：用pivot_table
• 复杂多索引/列转换：用set_index + unstack
• 宽转长：直接用melt

如果你的DataFrame有特殊结构（比如多级列、复合索引），可以补充具体的样本数据，能给出更精准的实现代码。

内容的提问来源于stack exchange，提问作者Aragorn64