如何简便实现DataFrame的转置与透视组合变换？

不需要用NumPy搭配两层for循环实现，直接调用pandas内置的结构化变形方法即可，代码更简洁、运行效率也远高于手写循环，常用实现方式有两种：

• 栈/反栈组合实现：适合索引层级复杂的变换场景
  核心是先通过set_index固定不需要变换的维度，再用stack()将宽表转为纵向长表，最后用unstack()将目标维度转到列方向完成透视，基础代码框架如下：

  # 把需要保留为行标识、不参与转置的字段传入set_index
  df_transformed = df.set_index(["行标识字段1", "行标识字段2"])\
                     .stack()\
                     .unstack(level=要转为列的维度层级)\
                     .reset_index()
  

• 透视方法直接实现：逻辑直观，适合字段映射关系明确的场景
  只要明确指定变换后作为行索引的字段、作为列名的字段、作为单元格值的字段，一行代码即可完成转置+透视的组合操作：

  # 无重复值组合的场景用pivot即可
  df_transformed = df.pivot(
      index="保留为行的字段名",
      columns="要转为列名的字段名",
      values="填充单元格的取值字段名"
  ).reset_index()
  
  # 如果存在同维度组合下多个值需要聚合的场景，换用pivot_table指定聚合规则
  # df_transformed = df.pivot_table(
  #     index="保留为行的字段名",
  #     columns="要转为列名的字段名",
  #     values="填充单元格的取值字段名",
  #     aggfunc="sum" # 可根据需求替换为mean、count等聚合逻辑
  # ).reset_index()
  

变换后如果出现多层索引列名，想要转为普通一维列名，追加一行处理代码即可：

df_transformed.columns = [f"{col_level1}_{col_level2}" if col_level2 else col_level1 for col_level1, col_level2 in df_transformed.columns]

待处理原始DataFrame参考图

内容的提问来源于stack exchange，提问作者saman taheri