如何使用Pandas将单列向量拆分为每列固定行数的多列结构

针对20个顺序存储的单列数值，按每列固定5个值的要求重组为目标布局，可通过两种标准化方案实现：

方案一：基于numpy reshape的高效转换 #

适合大数量级的向量转换场景，全程无循环，运行效率最高。
核心逻辑：利用numpy数组的reshape能力，结合矩阵转置匹配“每列连续存储固定个数值”的填充要求。
可直接运行的代码：

import pandas as pd
import numpy as np

# 构造原始单列数据
df = pd.DataFrame(np.linspace(1, 20, 20))

# 配置参数：设定每列固定存储的数值个数
col_length = 5
# 计算总列数
total_cols = len(df) // col_length

# 核心转换逻辑
new_array = df.iloc[:, 0].values.reshape(total_cols, col_length).T
# 生成转换后的多列DataFrame
result = pd.DataFrame(new_array)
print(result)

运行后输出的结构与目标要求完全一致：

0     1     2     3
0   1.0   6.0  11.0  16.0
1   2.0   7.0  12.0  17.0
2   3.0   8.0  13.0  18.0
3   4.0   9.0  14.0  19.0
4   5.0  10.0  15.0  20.0

方案二：基于pandas原生索引的自适应转换 #

适合数据完整性不确定的场景，遇到数据长度无法被列长整除的情况，会自动在空缺位置填充空值，不会抛出数组形状不匹配的报错。
核心逻辑：为每个元素标记行内位置、所属列组的索引值，通过pivot透视操作自动重组为目标结构。
可直接运行的代码：

import pandas as pd
import numpy as np

# 构造原始单列数据
df = pd.DataFrame(np.linspace(1, 20, 20))

# 配置参数：设定每列固定存储的数值个数
col_length = 5

# 为每个元素标记行列分组信息
df['col_group'] = df.index // col_length
df['row_pos'] = df.index % col_length

# 透视重组为目标多列结构
result = df.pivot(index='row_pos', columns='col_group', values=0)
print(result)

注意事项 #

• 转换前需确认列长参数与数据长度的匹配关系，避免出现填充错位
• 若原始单列包含非数值类型，需提前完成类型清洗，避免转换后出现结构异常

内容的提问来源于stack exchange，提问作者user4933