如何使用pd.melt等方法将示例Pandas DataFrame转为目标宽表

现有如下示例DataFrame：

df = pd.DataFrame([['Bob', 'lunch', 70], 
                   ['Bob', 'dinner', 160], 
                   ['Sara', 'lunch', 150], 
                   ['Sara', 'dinner', 220]], 
                  columns=['Name', 'Meal', 'Cost'])

原始数据预览：

Name    Meal  Cost
0   Bob   lunch    70
1   Bob  dinner   160
2  Sara   lunch   150
3  Sara   dinner   220

需求为使用pd.melt或其他可行方法，将上述数据转换为如下目标结构：

Name   Meal_1  Cost_1   Meal_2  Cost_2
0   Bob   lunch       70   dinner     160
1  Sara   lunch      150   dinner     220

首先说明：pd.melt的功能是宽表转长表，和当前长表转宽表的需求方向相反，不需要强行使用，直接按分组生成序号后做透视转换即可，代码简洁且运行效率高：

import pandas as pd

# 为每个用户名下的餐次生成1、2的递增序号，对应目标表的列名后缀
df['meal_seq'] = df.groupby('Name').cumcount() + 1

# 执行长表转宽表操作
result = df.pivot(index='Name', columns='meal_seq', values=['Meal', 'Cost'])
# 调整列名格式为Meal_1、Cost_1的形式
result.columns = [f'{col}_{seq}' for col, seq in result.columns]
# 将Name从索引还原为普通数据列
result = result.reset_index()

运行后输出的result和目标结构完全一致：

Name Meal_1  Cost_1  Meal_2  Cost_2
0   Bob  lunch      70  dinner     160
1  Sara  lunch     150  dinner     220

该写法会自动适配每个用户的餐次数量，如果后续出现用户有第3餐、第4餐的记录，会自动生成Meal_3/Cost_3等对应列，不需要手动硬编码列数。

如果你一定要在流程中加入pd.melt步骤，也可以按如下写法实现，但属于冗余操作，没有性能优势：

df['meal_seq'] = df.groupby('Name').cumcount() + 1
# 冗余的melt转换步骤
melted = df.melt(id_vars=['Name', 'meal_seq'], value_vars=['Meal', 'Cost'])
result = melted.pivot(index='Name', columns=['variable', 'meal_seq'], values='value')
result.columns = [f'{col}_{seq}' for col, seq in result.columns]
result = result.reset_index()

内容的提问来源于stack exchange，提问作者k07224115