Python Pandas：按15分钟时段横向重组能源消耗数据

针对你要把单条记录（日期、15分钟时段、公司、能耗）重组为「日期+公司为分组维度，时段作为列、能耗横向排列」的需求，下面直接对比两种方法的适用场景：

1. 优先选 pivot：简洁直观，适合新手 #

pivot 是Pandas专门为这种常规长表转宽表设计的方法，参数直接对应你的需求，一步就能完成转换，代码可读性极高。

假设你的原始DataFrame结构如下（列名示例）：

用pivot的代码示例：

import pandas as pd

# 读取CSV
df = pd.read_csv('your_energy_data.csv')

# 直接转换：index是分组维度，columns是要转成列的字段，values是填充值
wide_df = df.pivot(
    index=['date', 'company'],  # 按日期+公司分组
    columns='time_slot',        # 把15分钟时段转成列
    values='energy_consumption' # 填充到列中的能耗值
)

# 可选：把索引转回普通列，方便后续处理
wide_df = wide_df.reset_index()

转换后的结果就是你想要的结构：日期和公司作为普通列，各个15分钟时段是单独的列，对应位置填能耗值。

2. stack/unstack：灵活但步骤稍多 #

stack（把列转成行）和unstack（把行转成列）是处理多层索引的通用工具，适合更复杂的结构转换，但需要先设置多层索引，步骤比pivot多一点。

用unstack实现同样需求的代码示例：

# 先设置多层索引：日期、公司、时段
df.set_index(['date', 'company', 'time_slot'], inplace=True)

# 把时段从行索引转成列
wide_df = df.unstack(level='time_slot')

# 可选：扁平化多层列索引（默认会保留原values列名作为上层索引）
wide_df.columns = wide_df.columns.droplevel(0)
wide_df = wide_df.reset_index()

总结 #

• 如果你只是处理当前这种固定的长转宽需求，直接用pivot就够了，代码简单易懂，新手能快速上手，不需要纠结多层索引的操作。
• stack/unstack更适合处理多层索引的复杂转换场景（比如同时转多个字段、嵌套结构等），但对新手来说理解成本稍高。

内容的提问来源于stack exchange，提问作者fraleo84