Pandas DataFrame转换：如何实现unpivot（逆透视）操作？

你的需求是把宽表结构的DataFrame转换成标准的长表结构，逆透视（Unpivot）正是干这个的活儿～在Pandas里，有两个常用方法可以轻松搞定：wide_to_long（适合列名有规律的场景）和melt（更通用的方法）。

先构造你的原始数据 #

首先我们先还原你给出的DataFrame：

import pandas as pd

df = pd.DataFrame({
    'commune': ['A', 'B', 'C'],
    'nuance_1': ['X', 'X', 'Z'],
    'votes_1': [12, 10, 7],
    'nuance_2': ['Y', 'Y', 'X'],
    'votes_2': [20, 5, 2],
    'nuance_3': ['Z', None, None],
    'votes_3': [5, None, None]
})

方法1：用wide_to_long（最贴合你的列名结构） #

因为你的列都是nuance_n和votes_n的命名规律，wide_to_long专门处理这种带序号后缀的宽表，代码非常简洁：

# 执行逆透视操作
df_long = pd.wide_to_long(
    df,
    stubnames=['nuance', 'votes'],  # 指定要拆分的列前缀
    i='commune',  # 保留的唯一标识列
    j='seq',  # 拆分后生成的序号列（可以随便命名）
    sep='_'  # 列名里的分隔符
).dropna()  # 去掉空值行（比如B、C的第三组数据是空的）
# 整理索引和列顺序
df_long = df_long.reset_index(drop=True)[['commune', 'nuance', 'votes']]

执行后得到的结果就是你想要的结构：

方法2：用melt（更通用的逆透视方法） #

如果你的列名没有那么规整，melt是更通用的选择。我们可以分别对nuance和votes列做逆透视，再合并结果：

# 拆分nuance列
nuance_df = df.melt(
    id_vars='commune',
    value_vars=['nuance_1', 'nuance_2', 'nuance_3'],
    var_name='seq',
    value_name='nuance'
)
# 拆分votes列
votes_df = df.melt(
    id_vars='commune',
    value_vars=['votes_1', 'votes_2', 'votes_3'],
    var_name='seq',
    value_name='votes'
)
# 合并并清理数据
df_long = pd.merge(nuance_df, votes_df, on=['commune', 'seq']) \
           .dropna() \
           .drop('seq', axis=1) \
           .sort_values('commune') \
           .reset_index(drop=True)

这个方法也能得到完全一样的结果，只是步骤稍多一点。

总结 #

完全可以通过逆透视实现这个转换！Pandas的这两个方法都是专门为宽表转长表设计的，根据你的列名结构选择对应的方法就好～

内容的提问来源于stack exchange，提问作者Fabrice BOUCHAREL