如何将Pandas DataFrame按id列转换为宽格式时间序列表

嘿，这个需求其实用Pandas自带的工具就能轻松搞定，比你写循环高效多了！我来给你几个简洁的实现方式：

方法一：用pivot一步转宽表（最推荐） #

pivot就是Pandas专门为长表转宽表设计的函数，完美匹配你的需求：

# 先把time列转成datetime类型（可选，但后续做时间操作更方便）
df['time'] = pd.to_datetime(df['time'])

# 直接生成宽格式，time作为索引，id作为列，value填充对应值
wide_df = df.pivot(index='time', columns='id', values='value')

运行后得到的结果就是你想要的：

id          100  200  300
time                     
2012-04-01  2.3  3.0  3.1
2012-04-02  3.4  2.9  4.2
2012-04-03  1.4  2.8  2.5
2012-04-04  5.6  1.9  1.2

方法二：用groupby + unstack（满足你想用groupby的需求） #

如果你更倾向用groupby的思路，可以先按time和id分组，再把id从行索引“展开”成列：

df['time'] = pd.to_datetime(df['time'])
wide_df = df.groupby(['time', 'id'])['value'].first().unstack('id')

这个方法和pivot效果完全一致，适合习惯分组操作的场景。

说说你之前代码的问题 #

你之前用pd.concat(list_dfs)得到重复索引的结果，是因为默认是按行拼接（axis=0），把每个id的时间序列堆在了一起。如果要让你的循环方法生效，只需要改成按列拼接：

list_dfs = []
for i in df['id'].unique():
    list_dfs.append(df[df['id'] == i].set_index('time').drop('id', axis=1).rename(columns={'value':i}))
# 加上axis=1，按列拼接并自动对齐索引
wide_df = pd.concat(list_dfs, axis=1)

不过这种循环的方式不如内置函数高效，数据量大的时候差距会很明显，还是推荐前面两种方法~

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