Pandas如何对按6行分组重复Field列的DataFrame执行unstack操作

不需要逐行迭代追加，用pandas原生的向量化方法就能快速实现，性能远好于循环写法。

实现思路 #

你的数据规律是每6行为一个重复单元，同一单元内Field列固定按a→f取值，对应结果里的一行。只要先给每一行打上所属的组编号，再通过透视/反堆叠操作转成宽表即可。

完整代码示例 #

首先构造测试数据（多组重复结构方便验证效果）：

import pandas as pd

# 构造3组重复的测试数据，和你给出的示例结构一致
example_df = pd.DataFrame({
    'Field': ['a','b','c','d','e','f']*3,
    'Value': ['A',1,3,2,3,1, 'B',2,4,1,5,0, 'C',9,8,7,6,5]
})

核心转换代码，两种写法效果完全一致：

# 步骤1：按每6行一组，给每行分配组ID，从0开始递增
example_df['group_id'] = example_df.index // 6

# 写法1：用pivot直接透视，最直观
result = example_df.pivot(
    index='group_id',
    columns='Field',
    values='Value'
).reset_index(drop=True) # 去掉组ID索引，得到从0开始的默认行号

# 写法2：用set_index+unstack实现，就是你要的反堆叠逻辑
# result = example_df.set_index(['group_id', 'Field'])['Value'].unstack().reset_index(drop=True)

转换效果 #

运行后输出的result完全匹配你期望的格式：

Field  a  b  c  d  e  f
0      A  1  3  2  3  1
1      B  2  4  1  5  0
2      C  9  8  7  6  5

补充说明 #

• 该方法是pandas原生向量化实现，数据量越大，相比逐行循环的性能优势越明显
• 如果后续每组的行数变化，只需要修改//后的分组长度数值即可，比如每组7行就写example_df.index //7
• 即使同一组内Field的取值顺序偶尔错乱，透视逻辑也会自动按字段名对齐列，不会出现值错位的问题

内容的提问来源于stack exchange，提问作者ml4irs