Pandas如何实现id为行name为列、统计result求和带总计的DataFrame

直接使用pandas内置的透视表或分组反堆叠逻辑，一步完成聚合+长表转宽表操作，不需要额外做结构转换，自动兼容不同id对应name取值不一致的场景。

推荐写法（可读性最高） #

import pandas as pd

# 聚合生成宽表结构
df_summary = pd.pivot_table(
    df,
    values="result",
    index="id",       # 行使用id列唯一值
    columns="name",   # 列展开为name的所有取值
    aggfunc="sum",    # 对result布尔值求和，统计True的数量
    fill_value=0      # 不存在的(id,name)组合自动填充0
)

# 末尾新增total列，统计每行总和
df_summary["total"] = df_summary.sum(axis=1)

精简写法（代码更短） #

习惯groupby语法的话，可以用分组后反堆叠的方式实现，效果完全一致：

df_summary = df.groupby(['id', 'name'])['result'].sum().unstack(fill_value=0)
df_summary["total"] = df_summary.sum(axis=1)

逻辑说明 #

• 两种写法都会自动将id的去重值设为行索引，name的去重值设为列名，单元格值为对应(id, name)组合下result的求和结果。pandas会默认将布尔值True按1计算、False按0计算，求和结果正好是该组合下True的计数，完全匹配需求。
• 传入fill_value=0后，即使后续数据中不同id对应的name集合不一致，缺失的组合也会自动填充0，不会出现空值或列计算错误。

原有写法问题 #

之前执行df.groupby(['id', 'name'])['result'].sum()得到的是带多级索引的长格式Series，直接转DataFrame后依然保留长表结构，没有将name的取值展开为独立列，因此无法得到预期的宽表效果。

内容的提问来源于stack exchange，提问作者DM71