如何重构数据集实现两家企业分门店类型分年度平均消费对比无聚合透视

最适配的原生实现 #

你完全不需要硬凑pivot_table的参数兼容需求，pandas自带的pivot方法就是专门为纯行列重排、零数值计算的透视场景设计的，天生不需要指定聚合函数，完全匹配你的诉求。

操作代码 #

1. 先把带空格的字段名做兼容处理，避免后续索引操作报错：
   df = df.rename(columns={"store type": "store_type"})
2. 直接调用pivot完成结构转换：

   result = df.pivot(
       index="store_type",
       columns=["company", "year"],
       values="average_spend"
   )
   

输出效果 #

生成的结果直接自带二级列头，第一级按A、B两家公司分组，第二级嵌套对应y1/y2/y3的年度列，和Excel透视表的双级表头效果完全一致：

• 所有单元格直接映射对应维度组合的原始average_spend值，不做任何求和、求平均的计算
• 没有匹配值的单元格自动填充NaN
• 对照你给出的样例数据，最终结构会完全符合预期：

  company      A               B      
  year        y1     y2   y3    y1    y2    y3
  store_type
  food        123.4  NaN  9.4   NaN  340   NaN
  pharmacy    13.4   NaN  NaN   NaN  90    NaN
  

注意事项 #

• pivot方法要求index和columns指定的维度组合在原始数据中唯一，也就是每个（门店类型、所属公司、统计年度）仅对应一条平均消费记录。这本来就是你当前数据集的结构，如果运行时抛出重复值的报错，反而可以帮你定位到冗余的脏数据。
• 如果一定要沿用pivot_table的写法实现零聚合，只需要把聚合函数替换为直接返回原序列的匿名函数即可，全程不做任何数值计算：
  df.pivot_table(values='average_spend', index='store_type', columns=['company','year'], aggfunc=lambda x: x)
  但这种写法本质是绕开pivot_table的聚合设计，远不如直接用原生pivot方法简洁。

内容的提问来源于stack exchange，提问作者Maths12