Pandas如何基于门店编号列将销售额列拆分为各门店独立列？

你要实现的长表转宽表需求，Pandas有内置的透视功能可以直接完成，不需要手动循环处理单个门店。

前置准备 #

先把日期列转换为标准日期格式，避免后续时间序列建模和排序出现异常：

import pandas as pd
# 按照你数据里的%d%b%Y格式解析日期
df['date'] = pd.to_datetime(df['date'], format='%d%b%Y')

方法1：pivot方法（单门店单日期无重复记录时推荐） #

一行代码即可完成结构转换：

wide_df = df.pivot(index='date', columns='Store_num', values='Sales')
# 重命名列名，匹配你需要的「门店编号_sales」格式
wide_df.columns = [f'{store}_sales' for store in wide_df.columns]
# 如果需要把date从索引转为普通列，添加下面这行
wide_df = wide_df.reset_index()

缺失的门店销售额会自动填充NaN，完全符合你的要求。

方法2：pivot_table方法（存在同门店同日期多条记录时推荐） #

如果你的原始数据里存在同一个门店同一个日期有多条销售额记录，可以用pivot_table指定聚合规则：

wide_df = df.pivot_table(
    index='date',
    columns='Store_num',
    values='Sales',
    aggfunc='sum' # 聚合规则可按需替换为'mean'、'max'、'first'等
)
# 后续重命名、重置索引逻辑和方法1完全一致
wide_df.columns = [f'{store}_sales' for store in wide_df.columns]
wide_df = wide_df.reset_index()

原思路问题说明 #

你之前手动筛选单个门店的思路逻辑上是可行的，但效率很低，且需要自己处理日期对齐、合并的逻辑，非常容易出错。Pandas的透视方法已经封装了所有对齐、填充缺失值的逻辑，100家门店的规模可以毫秒级完成转换。

内容的提问来源于stack exchange，提问作者Tom