pandas实现groupby分组后将组内行数据转换为新列的方法

以下方案基于Python Pandas实现，覆盖固定每组2行、支持任意组内行数两种需求场景。

每组固定2行场景 #

核心逻辑是先按Group分组，给组内每条记录按原始顺序标记从1开始的序号，再通过透视把行数据转为列数据，最后调整列名和顺序匹配目标结构即可。

import pandas as pd

# 读取/构造原始长表数据
df = pd.DataFrame({
    "Group": [1, 1, 2, 2, 3, 3],
    "Value": [1.1, 1.2, 1.4, 1.6, 0.4, 0.3],
    "Name": ["AAAA", "BBBB", "CCCC", "DDDD", "EEEE", "FFFF"]
})

# 给组内记录加序号
df["seq"] = df.groupby("Group").cumcount() + 1

# 透视转宽表并调整格式
wide_df = df.pivot(index="Group", columns="seq", values=["Value", "Name"])
wide_df.columns = [f"{col}_{idx}" for col, idx in wide_df.columns]
wide_df = wide_df.reset_index()[["Group", "Value_1", "Name_1", "Value_2", "Name_2"]]

运行以上代码得到的输出和给出的目标样例结构、数据完全一致。

每组任意行数通用场景 #

不需要提前统计每组的记录条数，在固定场景逻辑基础上去掉手动指定列的步骤即可自动适配，不同分组行数不一致时，缺失的记录位会自动填充空值：

import pandas as pd

# 通用转换逻辑，自动适配组内行数
df["seq"] = df.groupby("Group").cumcount() + 1
wide_df = df.pivot(index="Group", columns="seq", values=["Value", "Name"])
# 按序号排序列，保证Value_n、Name_n的顺序符合预期
wide_df = wide_df.sort_index(axis=1, level=1)
wide_df.columns = [f"{col}_{idx}" for col, idx in wide_df.columns]
wide_df = wide_df.reset_index()

• 转换过程保留原始数据的组内顺序，不会打乱原有记录排列
• 新增列会自动按组内最大记录数生成，比如所有组最多有3条记录时，会自动生成Value_3、Name_3列
• 组内记录数不足最大值时，对应列自动填充NaN空值

内容的提问来源于stack exchange，提问作者Michael