如何在Python中将列值转为新列？DataFrame数据重塑求助

我有如下格式的DataFrame数据：

import pandas as pd

data = {
    'accident_type': [1,1,1,2,2,2,3,3,3],
    'office A': [0,0,0,0,0,0,0,0,0],
    'office B': [0,2,0,0,0,0,0,1,0],
    'office C': [0,2,0,1,1,0,0,1,0],
    'information': ['number','fatality','frequency','number','fatality','frequency','number','fatality','frequency']
}
df = pd.DataFrame(data)

原始数据预览：

我希望实现两个核心操作：

1. 新增列将事故信息值纵向移位，得到office列（对应office A/office B/office C循环）
2. 删除原有的office A/office B/office C列，将这三列的值转换为number/fatality/frequency列，最终得到如下结果：

我尝试使用df.melt但未得到预期结果，请问如何用Python实现该需求？

这个需求的核心是给每个事故类型分组内的行分配对应office，再将原office列的值按信息类别重新映射，可以通过以下步骤实现：

步骤1：为每行分配对应的office列 #

观察到每个accident_type下固定有3行，正好对应office A/office B/office C，我们可以按事故类型分组后，给每组的行循环分配这三个值：

# 定义要循环的office列表
office_list = ['office A', 'office B', 'office C']
# 按accident_type分组，给每组的行按顺序分配office值
df['office'] = df.groupby('accident_type').cumcount().map(lambda x: office_list[x])

步骤2：构建office与信息值的映射表 #

我们需要把原数据中每个(事故类型, office)对应的number/fatality/frequency值提取出来，这里用pivot_table结合多层索引转置来实现：

# 先按事故类型和信息类型做透视，再转置索引得到office对应的各信息值
map_df = df.pivot_table(
    index=['accident_type', 'information'],
    values=['office A', 'office B', 'office C'],
    aggfunc='first'
).unstack('information').stack(0).reset_index()
# 调整列名到我们需要的格式
map_df.columns = ['accident_type', 'office', 'number', 'fatality', 'frequency']

步骤3：合并得到最终结果 #

最后把原始数据的information列和映射表合并，调整列顺序就得到目标格式：

# 保留原始数据的核心列
df_base = df[['accident_type', 'information', 'office']]
# 合并核心列和映射表
final_df = df_base.merge(map_df, on=['accident_type', 'office'])
# 调整列顺序和目标一致
final_df = final_df[['accident_type', 'information', 'office', 'number', 'fatality', 'frequency']]

完整简化版代码 #

把上面的逻辑整合起来，直接运行就能得到结果：

import pandas as pd

data = {
    'accident_type': [1,1,1,2,2,2,3,3,3],
    'office A': [0,0,0,0,0,0,0,0,0],
    'office B': [0,2,0,0,0,0,0,1,0],
    'office C': [0,2,0,1,1,0,0,1,0],
    'information': ['number','fatality','frequency','number','fatality','frequency','number','fatality','frequency']
}
df = pd.DataFrame(data)

# 1. 添加office列
office_list = ['office A', 'office B', 'office C']
df['office'] = df.groupby('accident_type').cumcount().map(dict(enumerate(office_list)))

# 2. 构建映射表
map_df = df.pivot_table(
    index=['accident_type', 'information'],
    values=['office A', 'office B', 'office C'],
    aggfunc='first'
).unstack('information').stack(0).reset_index()
map_df.columns = ['accident_type', 'office', 'number', 'fatality', 'frequency']

# 3. 合并得到最终结果
final_df = df[['accident_type', 'information', 'office']].merge(map_df, on=['accident_type', 'office'])
final_df = final_df[['accident_type', 'information', 'office', 'number', 'fatality', 'frequency']]

print(final_df)

这段代码的优势是利用pandas的内置函数处理索引和数据转置，避免了手动循环，效率更高也更易维护。

内容的提问来源于stack exchange，提问作者yangyang