pandas DataFrame复杂透视：将特殊结构CSV转换为指定格式数据表

实现思路 #

原数据为按球员分块存储的非标准结构化数据，核心处理逻辑为：先识别出球员名称并给对应统计行填充球员归属，再通过两次长宽表转换得到目标格式。

完整实现代码 #

import pandas as pd
import numpy as np

# 1. 读取数据并重命名首列
# 若读取时分钟段列名识别为整数，将后续代码中字符串格式的列名替换为整数即可
df = pd.read_csv("你的本地CSV文件路径.csv")
df = df.rename(columns={df.columns[0]: "Stat"})

# 2. 识别球员行并填充球员归属列
# 球员行判定规则：除首列外所有列值均为NaN，且首列本身非空
player_mask = df.drop("Stat", axis=1).isna().all(axis=1) & df["Stat"].notna()
df["Player"] = np.where(player_mask, df["Stat"], np.nan)
# 向前填充，给每个统计行标注所属球员
df["Player"] = df["Player"].ffill()

# 3. 清洗无效行，完成表结构转换
# 过滤掉球员自身行、全空行，仅保留有效统计数据行
df_clean = df[~player_mask & df["Stat"].notna()].copy()

# 第一步宽转长：把分钟段从列名转换为行值
df_melt = df_clean.melt(
    id_vars=["Player", "Stat"],
    value_vars=["5", "10", "15", "20"],
    var_name="MinuteSplits",
    value_name="Value"
)

# 第二步长转宽：把统计项（Total/Walking等）从行值转换为列
df_result = df_melt.pivot(
    index=["Player", "MinuteSplits"],
    columns="Stat",
    values="Value"
).reset_index()

# 调整列顺序为期望结构
df_result = df_result[["Player", "MinuteSplits", "Total", "Walking", "Jogging", "Sprinting"]]

输出验证 #

运行后df_result即为你需要的目标结构，可直接通过print(df_result)查看结果。

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