使用Python动态实现多列股票数据列转行（宽表转长表）

核心使用pandas库的melt方法实现，无需手动枚举所有股票列名，可自动识别除日期列外的全部股票列完成转换，适配6000+股票列的处理场景。

实现步骤 #

• 前置依赖准备
  先确保环境安装了pandas，导入依赖：

  import pandas as pd
  

  读取你的原始数据表，根据文件格式选择对应读取方法：

  # 读取csv格式文件
  df = pd.read_csv("你的股票数据文件路径.csv")
  # 如果是excel文件，替换为pd.read_excel("你的股票数据文件路径.xlsx")
  

• 核心宽转长逻辑
  调用melt方法，仅指定需要保留的Date列，其余所有列自动识别为股票列做行转换：

  long_df = pd.melt(
      df,
      id_vars=["Date"],  # 保留不做转换的列，即原始日期列
      var_name="Stock",  # 转换后存储股票名称的列名
      value_name="Price" # 转换后存储价格数值的列名
  )
  

• 按规则排序
  按照需求，先按股票名称分组，组内按日期升序排列：

  # 可选：如果Date列是字符串格式，先转成标准日期格式保证排序准确
  long_df["Date"] = pd.to_datetime(long_df["Date"])
  
  # 排序后重置索引
  long_df = long_df.sort_values(
      by=["Stock", "Date"],
      ascending=[True, True]
  ).reset_index(drop=True)
  

• 可选优化
  如果需要剔除个股无价格的空记录，可以追加去空逻辑：

  long_df = long_df.dropna(subset=["Price"])
  

之前方法失效原因说明 #

• transpose()为全表行列转置，会把原始日期列也转换为行/列维度，无法保留日期列的独立结构，不符合需求
• 原生stack()方法默认会堆叠所有列，需要提前将Date列设置为索引才能得到近似结果，配置繁琐易出错，对动态列场景适配性差

效果验证 #

原始宽表样例结构：

Date	Stock1	Stock2	Stock3
2024-01-02	10.2	23.5	8.7
2024-01-03	10.5	23.1	8.9

转换后长表输出结构：

内容的提问来源于stack exchange，提问作者feyadej