如何将一维Pandas DataFrame转换为列格式？解决ValueError报错

我导入了一个包含一维数据集的.csv文件，希望将其筛选并整理为列格式。

示例一维数据： #

df_1d = pd.read_csv('file location')

df_1d

输出：

timestamp          label   value
0   2022/03/26 00:00   A       1
1   2022/03/26 01:00   A       2
2   2022/03/26 02:00   A       3
3   2022/03/26 00:00   B       1
4   2022/03/26 01:00   B       2
5   2022/03/26 02:00   B       3
6   2022/03/26 00:00   C       1
7   2022/03/26 01:00   C       2
8   2022/03/26 02:00   C       3

期望输出格式： #

timestamp          A       B       C
0   2022/03/26 00:00   1       1       1
1   2022/03/26 01:00   2       2       2
2   2022/03/26 02:00   3       3       3

尝试的代码及错误： #

我尝试提取唯一timestamp，再按label和timestamp筛选一维DataFrame，代码如下：

df_2d = pd.DataFrame(columns=['timestamp', 'A', 'B', 'C'])

df_2d.timestamp = df_1d.timestamp.unique()

df_2d.A = df_1d.value[(df_1d.label == "A") & (df_1d.timestamp == df_2d.timestamp)]

但出现了如下错误：

ValueError: Can only compare identically-labeled Series objects

请问有没有更合适的方法来重新整理这些数据？

解决方案：使用pandas的pivot方法 #

这个需求是典型的长表转宽表操作，pandas内置了专门的方法可以直接实现，不用手动拼接，代码简洁高效。

方法1：直接用pivot（无重复数据场景） #

# 核心转换代码
df_2d = df_1d.pivot(index='timestamp', columns='label', values='value').reset_index()
# 移除列名的层级标签（可选，让结果更贴合你的期望格式）
df_2d.columns.name = None

运行后得到的结果完全符合你的期望输出。

参数说明：

• index='timestamp'：指定作为行标识的列，最终通过reset_index()把它从索引变回普通列
• columns='label'：指定用来拆分出新列的字段（A/B/C会成为新的列名）
• values='value'：指定填充到新列中的数值内容

方法2：用pivot_table处理重复数据 #

如果你的数据中存在同一个timestamp+label组合对应多个value的情况，可以用pivot_table指定聚合逻辑（比如求和、均值）：

df_2d = df_1d.pivot_table(
    index='timestamp',
    columns='label',
    values='value',
    aggfunc='mean'  # 可替换为sum、max等聚合方式
).reset_index()
df_2d.columns.name = None

你之前代码报错的原因 #

你遇到的ValueError是因为df_2d.timestamp和df_1d.timestamp的索引不匹配：df_1d.timestamp的索引是0-8，而df_2d.timestamp的索引是0-2，两个Series的标签（索引）不一致，无法直接做匹配比较。用pivot可以完全规避这种问题。

内容的提问来源于stack exchange，提问作者2S2E