Pandas高效转换Dataframe值为Labels：值设为Index、原Index设为Labels

循环处理百万级数据确实会慢到让人头疼——pandas的矢量化操作才是解决这类问题的正确思路，完全不用写循环。针对你的需求，我们可以利用stack()或者melt()方法快速完成转换，这两个方法都是底层优化过的，处理大规模数据的速度会比Python循环快几个数量级。

具体实现步骤（以stack()为例，更简洁高效） #

假设你的原始DataFrame名为df：

1. 堆叠列到行：用stack()把所有数值列（比如Value1、Value2）转成二级索引，同时自动跳过NaN值；
2. 重置索引并整理列名：把堆叠后的多级索引转成普通列，重命名成我们需要的Labels（原行索引）和Index（原DataFrame的值）；
3. 设置新索引并排序：把Index列设为最终的索引，保留Labels作为值，最后按索引排序（和你的示例结果一致）。

代码示例 #

import pandas as pd

# 模拟你的原始DataFrame
df = pd.DataFrame({
    'Value1': [0, 2, pd.NA],
    'Value2': [1, 4, 3]
})

# 核心操作
stacked = df.stack().reset_index()
stacked.columns = ['Labels', '_', 'Index']  # 中间的_是原列名，我们不需要
result = stacked.set_index('Index')['Labels'].sort_index()

print(result)

输出结果和你给出的示例完全一致：

Index
0    0
1    0
2    1
3    2
4    1
Name: Labels, dtype: int64

为什么这个方法高效？ #

stack()是pandas的内置矢量化操作，底层用C语言实现，避免了Python循环的性能损耗。哪怕是数百万条数据，也能在几秒内完成处理，完全不用担心速度问题。

如果你更习惯用melt()，也可以用下面的代码，效果完全相同：

df = df.reset_index().rename(columns={'index': 'Labels'})
melted = df.melt(id_vars='Labels', value_name='Index').dropna(subset=['Index'])
result = melted.set_index('Index')['Labels'].sort_index()

两种方法都能满足需求，选你觉得更易读的就行~

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