Python如何将列值转为新DataFrame表头并匹配写入对应数据

核心逻辑是利用col2是固定静态值的特性，首次运行时就锁定目标表的全部列名，后续新数据通过col2的值和动态字段名拼接，直接映射到对应列即可，不需要动态调整表结构。

具体步骤 #

• 初始化阶段：加载首次的原始数据，提取col2的全部唯一值，按照{动态字段名}_{col2值}的规则拼接生成所有数据列，加上第一列Timestamp组成固定的列名列表，初始化空的目标DataFrame。
• 新数据处理阶段：每获取到一批更新数据，先创建一个和目标表列完全匹配的空行字典，按照规则取该批次的基准Timestamp值（示例中取批次第一条数据的Time值）；再遍历批次内每一行数据，根据当前行的col2值，把该行的col1、col3数值分别写入col1_{col2值}、col3_{col2值}对应的字段中。
• 追加写入：把填充完成的新行追加到目标DataFrame末尾即可。

参考代码 #

import pandas as pd

# 首次运行初始化目标表结构
init_raw_data = [
    ["timestamp1", 123, 456, 789],
    ["timestamp2", 7584, 4547, 6545],
    ["timestamp3", 8974, 1241, 2140]
]
init_df = pd.DataFrame(init_raw_data, columns=["Time", "col1", "col2", "col3"])

# 生成固定列集合
static_col2_values = init_df["col2"].unique().tolist()
target_columns = ["Timestamp"]
for dynamic_col in ["col1", "col3"]:
    for col2_val in static_col2_values:
        target_columns.append(f"{dynamic_col}_{col2_val}")
target_df = pd.DataFrame(columns=target_columns)

# 处理新批次更新数据
new_batch_raw = [
    ["timestamp4", 17823, 456, 10789],
    ["timestamp5", 758404, 4547, 65045],
    ["timestamp6", 89744, 1241, 14140]
]
new_batch_df = pd.DataFrame(new_batch_raw, columns=["Time", "col1", "col2", "col3"])

# 填充新行
new_record = {col: None for col in target_columns}
new_record["Timestamp"] = new_batch_df.iloc[0]["Time"]  # 按示例规则取批次首条时间戳
for _, row in new_batch_df.iterrows():
    current_col2 = row["col2"]
    new_record[f"col1_{current_col2}"] = row["col1"]
    new_record[f"col3_{current_col2}"] = row["col3"]

# 追加到目标表
target_df = pd.concat([target_df, pd.DataFrame([new_record])], ignore_index=True)
print(target_df)

运行后输出的结果和给出的期望输出完全一致：

Timestamp col1_456 col1_4547 col1_1241 col3_456 col3_4547 col3_1241
0  timestamp4    17823    758404     89744    10789     65045     14140

如果后续col2出现新的固定值，只需要在初始化逻辑里加上新值检测，自动补全对应列即可，现有数据的列映射逻辑不需要改动。

内容的提问来源于stack exchange，提问作者Rushi