Python pandas如何实现DataFrame列转行转换为目标格式

问题场景 #

使用Python完成数据清洗与分析工作后得到初始DataFrame，需要通过pandas将其转换为指定的目标聚合展示格式。

核心实现思路 #

这类长表转宽表、附带聚合统计的需求是pandas数据处理的高频场景，优先使用pivot_table接口实现，前期只需要先梳理清楚3类核心字段：

• 作为行标识的维度字段：对应目标格式里固定在最左侧的行分类列
• 需要转成列头的维度字段：对应目标格式里展开为横向列头的分类字段
• 需要统计计算的指标字段：对应目标格式里填充在单元格中的数值类字段

可直接复用的代码 #

import pandas as pd

# 核心转换逻辑，替换对应参数即可适配你的数据
target_df = pd.pivot_table(
    raw_df, # 替换为你自己的原始DataFrame变量名
    index="行维度列名", 
    columns="转列维度列名",
    values="指标列名",
    aggfunc="sum", # 聚合规则可按需替换：sum求和/mean求均值/count计数/自定义函数
    fill_value=0 # 无匹配数据的空位置统一填充为0，可按需修改
).reset_index() # 将行索引还原为普通数据列，方便后续导出、处理

# 如果转换后生成多层级列名，执行以下代码拍平为单层列名
target_df.columns = [col if not isinstance(col, tuple) else "_".join(map(str, col)) for col in target_df.columns]

注意：传入的所有列名必须和原始DataFrame的实际字段名完全一致，否则会触发KeyError报错

其他场景适配 #

• 如果你的数据里每个行列组合唯一对应一个值、不需要做聚合计算，可以用更轻量的df.pivot()接口，参数规则和pivot_table基本一致
• 如果需要在结果中追加行、列合计值，给pivot_table传入参数margins=True, margins_name="合计"即可
• 如果需要做反向转换（宽表转长表），使用pd.melt()接口即可实现

内容的提问来源于stack exchange，提问作者Mostafa Mohamed