如何使用Pandas的melt方法规整DataFrame得到整洁格式数据

• 首先修复原代码的语法错误：构造DataFrame时列定义列表缺少闭合方括号，修复后可正常初始化数据集。
• 先明确核心逻辑：melt 是Pandas专门用于宽表转长表的函数，目标是输出符合整洁数据规范的结果：每一行对应1个独立观测，每一列对应1个独立变量，每个单元格存储单个值。

针对你提供的数据集的处理代码 #

你当前构造的mydt本身已经是标准长表结构，若要强制通过melt完成规整，将样本编号、处理组作为固定标识列，测量值作为观测列，代码如下：

import pandas as pd

# 修复后的原始数据集构造代码
dt = {'Ind': {0: 'Ind1',
1: 'Ind2',
2: 'Ind3',
3: 'Ind4',
4: 'Ind5',
5: 'Ind6',
6: 'Ind7',
7: 'Ind8',
8: 'Ind9',
9: 'Ind10',
10: 'Ind1',
11: 'Ind2',
12: 'Ind3',
13: 'Ind4',
14: 'Ind5',
15: 'Ind6',
16: 'Ind7',
17: 'Ind8',
18: 'Ind9',
19: 'Ind10'},
'Treatment': {0: 'Treat',
1: 'Treat',
2: 'Treat',
3: 'Treat',
4: 'Treat',
5: 'Treat',
6: 'Treat',
7: 'Treat',
8: 'Treat',
9: 'Treat',
10: 'Cont',
11: 'Cont',
12: 'Cont',
13: 'Cont',
14: 'Cont',
15: 'Cont',
16: 'Cont',
17: 'Cont',
18: 'Cont',
19: 'Cont'},
'value': {0: 4.5,
1: 8.3,
2: 6.2,
3: 4.2,
4: 7.1,
5: 7.5,
6: 7.9,
7: 5.1,
8: 5.8,
9: 6.0,
10: 11.3,
11: 11.6,
12: 13.3,
13: 12.2,
14: 13.4,
15: 11.7,
16: 12.1,
17: 12.0,
18: 14.0,
19: 13.8}}
mydt = pd.DataFrame(dt, columns = ['Ind', 'Treatment', 'value'])

# 使用melt做整洁化处理
tidy_dt = mydt.melt(
    id_vars = ['Ind', 'Treatment'],
    value_vars = ['value'],
    var_name = 'metric',
    value_name = 'measured_value'
)

如果你不需要额外保留metric列（该列所有值均为value），直接执行tidy_dt = tidy_dt.drop(columns=['metric'])即可，得到的结果和原表结构完全一致。

常见场景补充：宽表转长表的melt写法 #

多数情况下需要用melt的初始数据是宽表格式（即不同处理组的测量值分散在多个列中），比如将你当前的长表透视为宽表后，用melt转回整洁长表的代码如下：

# 先构造常见的初始宽表格式：Ind为行，Cont、Treat为两个数值列
wide_dt = mydt.pivot(index='Ind', columns='Treatment', values='value').reset_index()

# 宽表转整洁长表的标准melt写法
tidy_from_wide = wide_dt.melt(
    id_vars = ['Ind'],
    value_vars = ['Cont', 'Treat'],
    var_name = 'Treatment',
    value_name = 'value'
)

运行后得到的tidy_from_wide和你最初构造的mydt结构完全一致，是符合要求的整洁数据集。

内容的提问来源于stack exchange，提问作者KJ H