Python实现Pandas DataFrame行值转列的聚合透视操作

你梳理的「分组聚合+透视转列」逻辑本身就是pandas实现这类需求的标准路径，可直接落地，无额外依赖，具体实现如下：

核心实现步骤 #

• 第一阶段：按A、B、C、E列分组，对D列执行求和计算
• 第二阶段：将分组结果中E列的日期值转换为独立列头，交叉位置填充对应分组的求和值

# 分组聚合
grouped = data1.groupby(["A", "B", "C", "E"], as_index=False)["D"].sum()
# 透视转宽表
data_MOD = grouped.pivot(
    index=["A", "B", "C"],
    columns="E",
    values="D"
).reset_index()

结果格式适配 #

pivot输出的结果会在无匹配值的交叉位置自动填充浮点型NaN，若要完全匹配你给出的目标输出格式，可补充两个调整操作：

1. 将空值替换为示例中的字符串'NaN'
2. 调整日期列的排列顺序，和目标结构对齐

# 空值替换
data_MOD = data_MOD.fillna("NaN")
# 列顺序调整
data_MOD = data_MOD[["A", "B", "C", "2021-04-18", "2021-04-16"]]

鲁棒性优化 #

如果原始数据中存在同分组维度的重复条目，拆分式的groupby+pivot会触发重复值报错，可直接用pivot_table一步完成分组+透视全流程，等价代码如下：

data_MOD = data1.pivot_table(
    index=["A", "B", "C"],
    columns="E",
    values="D",
    aggfunc="sum",
    fill_value="NaN"
).reset_index()[["A", "B", "C", "2021-04-18", "2021-04-16"]]

内容的提问来源于stack exchange，提问作者Hummer