如何在Pandas中提取DataFrame列信息并合并列重构数据？

嘿，这个需求其实就是典型的宽表转长表场景，Pandas里有个专门的函数能完美适配——pd.melt()，我给你一步步拆解怎么实现：

首先先还原你的示例数据：

import pandas as pd
import numpy as np

df = pd.DataFrame({
    'Number Type 1':[1,2,np.nan], 
    'Number Type 2':[np.nan,3,4], 
    'Info':list('abc')
})

我们的目标是把Number Type 1和Number Type 2这两列“融化”成两列：一列存类型标识（Type），一列存对应的数值（Number），同时保留Info列的对应关系，并且自动过滤掉空值。

核心实现代码 #

# 使用melt函数完成宽转长
melted_df = df.melt(
    id_vars=['Info'],  # 指定要保留的关联列，这里是Info
    value_vars=['Number Type 1', 'Number Type 2'],  # 需要转换的目标列
    var_name='Type',  # 新生成的类型列的名称
    value_name='Number'  # 新生成的数值列的名称
).dropna(subset=['Number'])  # 过滤掉数值为空的行

# 可选优化：把Type列的名称简化（去掉"Number "前缀）
melted_df['Type'] = melted_df['Type'].str.replace('Number ', '')

最终结果 #

运行后你会得到这样的DataFrame：

完全符合你的需求：数值合并到了Number列，类型信息提取到了Type列，Info和每个数值都正确绑定（比如b同时对应Type1的2和Type2的3）。

为什么推荐pd.melt()？ #

• 这是Pandas专门为宽表转长表设计的工具，参数语义清晰，可读性极强，新手也能快速理解
• 可以直接通过参数定义新列的名称，不用额外做列名修改
• 配合dropna()能轻松过滤无效空值，一步到位

备选方法：用stack()实现 #

如果你更喜欢链式操作的风格，也可以用stack()来完成：

stacked_df = df.set_index('Info')\
               .stack()\
               .reset_index(name='Number')\
               .rename(columns={'level_1':'Type'})
stacked_df['Type'] = stacked_df['Type'].str.replace('Number ', '')

这个方法的逻辑是先把Info设为索引，再把列堆叠成行，最后重置索引并调整列名，结果和上面完全一致。

内容的提问来源于stack exchange，提问作者user3142067