Pandas DataFrame布局转换：实现列转行结构调整需求

你需要把宽格式的DataFrame转换成长格式——也就是把column2和column3的列名转成新的行数据，同时保留column1作为分组标识。这在Pandas里是非常常见的操作，用melt或stack函数就能轻松实现，我给你具体的代码方案：

第一步：先复现你的原始DataFrame #

先把你提供的数据构建成可操作的Pandas DataFrame：

import pandas as pd

df = pd.DataFrame({
    'column1': ['A', 'B', 'C', 'D'],
    'column2': [0.020, 0.045, 0.230, 0.130],
    'column3': [0.76, 1.30, 0.32, 0.67]
})

方法一：使用melt函数（最直观的方式） #

melt是Pandas专门为宽表转长表设计的工具，你只需要指定哪列作为分组标识，剩下的列会自动转成行：

# 转换格式，指定分组列、原列名对应的新列名、值列名
melted_df = df.melt(
    id_vars='column1',       # 保留作为分组依据的列
    var_name='newCol',       # 原列名要放到的新列名
    value_name='value'       # 原列值要放到的新列名
)

# 如果你想要和示例里一样的显示效果（相同column1合并显示），可以设置索引并排序
melted_df = melted_df.set_index('column1').sort_index()

执行后打印的结果和你期望的结构完全匹配：

newCol  value
column1               
A        column2  0.020
A        column3  0.760
B        column2  0.045
B        column3  1.300
C        column2  0.230
C        column3  0.320
D        column2  0.130
D        column3  0.670

方法二：使用stack函数（适合索引操作习惯） #

如果你更习惯用索引操作，stack可以把列轴的层级转成行轴，再重置索引得到目标结构：

# 先把column1设为索引，再堆叠其他列
stacked_df = df.set_index('column1').stack().reset_index(name='value')
# 把自动生成的临时列名重命名为newCol
stacked_df = stacked_df.rename(columns={'level_1': 'newCol'})

这个方法得到的结果和melt完全一致，只是实现路径不同，你可以根据自己的习惯选择。

补充说明 #

你示例里显示的Name: value, dtype: float64是Pandas打印Series时的元信息，在我们转换后的DataFrame里，value列就是float类型，和这个描述完全匹配。

内容的提问来源于stack exchange，提问作者user9160422