Pandas DataFrame如何将Name列取值转为对应列名实现数据重塑

当前场景下pivot方法适配效果差的核心原因：常规pivot要求传入可作为行索引的公共分组维度——即同一组内所有行共享同一个索引值，才能把不同行的列值拉平为同一行结构。当前样本DataFrame没有跨用户共享的公共行维度，硬套pivot会因缺失有效索引，生成带空多级索引、不符合预期的结果，并非方法本身不可用。

可落地实现方案 #

小数据集快速处理方案 #

通过设置索引+展平层叠结构的方式生成单行结果，无需额外构造临时列：

# 将Name列转为行索引，保留Age、City作为属性列
temp_df = df.set_index("Name")
# 展平多层结构为单行
result = temp_df.unstack().to_frame().T
# 调整多级列名为「姓名_属性」的直观格式
result.columns = [f"{name}_{attr}" for attr, name in result.columns]

最终输出为单行结构，列依次为Pierre_Age、Pierre_City、Paul_Age、Paul_City，对应值分别为10、NY、20、PR，完全匹配预期结构。

可扩展通用方案 #

如果后续数据会新增分组维度（比如按班级、批次存储多组用户数据），可以通过构造临时固定分组列的方式修正pivot适配逻辑，无需后续重复调整代码：

# 构造全值相同的临时分组列，作为pivot的固定行索引
df["temp_group"] = 1
# 执行pivot：行固定为临时分组（最终仅保留单行），列按Name的值展开
result = df.pivot(
    index="temp_group",
    columns="Name",
    values=["Age", "City"]
)
# 打平多级列名
result.columns = [f"{name}_{attr}" for attr, name in result.columns]
# 移除临时索引，得到最终单行结果
result = result.reset_index(drop=True)

实操注意点 #

• 由于每个Name对应年龄、城市两个独立属性值，单一层级的列名（比如直接用Pierre、Paul作为列名）无法同时承载两类值，必须通过列名拼接的方式做字段区分，避免数据歧义。
• 如果实际业务场景中Name存在重复值，需要在转换前先按Name维度去重，否则会触发聚合逻辑报错。

内容的提问来源于stack exchange，提问作者Flo Cp