如何用Pandas将长格式测试数据转为含对应测试日期的宽格式？

假设你的原始数据结构类似这样（需包含唯一标识列，比如样本ID，否则转宽后会丢失分组逻辑）：

目标是生成每个测试项对应的结果列和日期列，最终删除原date_test列。以下是几种高效实现方式：

方法1：优先用pivot（无重复分组时） #

pivot比pivot_table更适合一对一的分组场景，不会默认执行聚合操作，能避免你之前可能遇到的输出不符合预期问题：

# 替换"样本ID"为你的数据中唯一标识每一行的字段
df_wide = df.pivot(
    index='样本ID',
    columns='测试项',
    values=['测试结果', 'date_test']  # 同时把结果和日期作为值列
)

# 把多层列索引合并为"测试项_字段名"的格式，比如"血糖_测试结果"
df_wide.columns = ['_'.join(col[::-1]) for col in df_wide.columns]

# 可选：把索引列（样本ID）转回普通列
df_wide = df_wide.reset_index()

# 若原数据残留单独的date_test列，直接删除
df_wide = df_wide.drop(columns=['date_test'], errors='ignore')

方法2：用pivot_table（存在重复分组时） #

如果你的数据中存在同一唯一标识+测试项的重复记录，需要指定聚合规则（比如取第一条、均值等）：

df_wide = df.pivot_table(
    index='样本ID',
    columns='测试项',
    values=['测试结果', 'date_test'],
    aggfunc='first'  # 按需求替换为'mean'/'max'等
)

# 同样处理列名
df_wide.columns = ['_'.join(col[::-1]) for col in df_wide.columns]
df_wide = df_wide.reset_index().drop(columns=['date_test'], errors='ignore')

方法3：分组合并（自定义逻辑场景） #

如果需要对不同测试项做个性化处理，可采用分组遍历合并的方式（效率略低于前两种，适合小数据集）：

# 初始化宽表，保留唯一标识列
df_wide = df[['样本ID']].drop_duplicates().reset_index(drop=True)

# 遍历每个测试项，生成对应列并合并
for test_item in df['测试项'].unique():
    subset = df[df['测试项'] == test_item][['样本ID', '测试结果', 'date_test']]
    # 重命名列
    subset = subset.rename(
        columns={
            '测试结果': f'{test_item}_测试结果',
            'date_test': f'{test_item}_date_test'
        }
    )
    # 合并到宽表
    df_wide = df_wide.merge(subset, on='样本ID', how='left')

# 删除原date_test列
df_wide = df_wide.drop(columns=['date_test'], errors='ignore')

关键说明 #

• 不需要用lambda函数处理列名，列表推导式更简洁高效；
• 若之前用pivot_table输出异常，大概率是因为默认聚合规则（均值）不符合你的预期，改用pivot或指定aggfunc即可解决；
• 必须保证存在唯一标识列（如样本ID），否则转宽后数据会混乱。

内容的提问来源于stack exchange，提问作者Javier Alejandro Rendon Carril