pandas无数据丢失转换混合类型问答宽表为问题列结构

不要沿用逐组生成pivot再拼接、用sum合并的流程——这套逻辑本身不兼容混合类型，还会引入潜在的数值计算错误。你之前操作得到的形状虽然符合要求，本质是巧合：因为每个会话下同一个问题名只会在某一个问答对序号位置出现一次，sum后数值结果刚好和原值相等，但文本类答案因为无法做sum运算会直接丢失。
这类带固定重复模式的嵌套列（answers.{n}.answer/answers.{n}.fieldName）的标准处理路径是先将所有分散的问答对统一转成长表格式，再一次性反向透视成目标结构，全程不需要拆分类型，也不会丢失原始值。

1. 自动识别所有问答列对，统一转成长表
   你的原始列有固定命名规律，不需要手动枚举每一组问答对做单独处理：

   # 定义会话唯一标识列（原方案中作为行索引的_id）
   id_cols = ['_id']
   # 匹配所有符合answers.xxx模式的嵌套列，自动拆分重复列组
   ur_long = pd.wide_to_long(
       ur,
       stubnames='answers',
       i=id_cols,
       j='pair_index',
       sep='.'
   ).reset_index()
   

   转换完成后，长表会把原来分散在answers.0/answers.1/answers.2位置的问答对，全部规整为三部分内容：会话ID、问题名（对应原来的fieldName值）、答案值（对应原来的answer值），无论原始值是数字、文本还是布尔类型，都会原样保留，不存在类型丢失的问题。

2. 一次性反向透视生成目标结构
   直接对规整好的长表做透视，完全不需要分类型拆分数值/对象列：

   final_df = ur_long.pivot(
       index=id_cols,
       columns='answers_fieldName',
       values='answers_answer'
   ).reset_index()
   

   如果遇到极端边界情况（同个会话下同一个问题出现重复条目），可以把普通pivot替换为pivot_table，用通用的聚合函数兼容所有类型，不需要区分数值/文本：

   # 通用聚合逻辑：取每个会话下该问题的第一个非空答案，兼容所有数据类型
   final_df = ur_long.pivot_table(
       index=id_cols,
       columns='answers_fieldName',
       values='answers_answer',
       aggfunc=lambda x: x.dropna().iloc[0] if len(x.dropna()) else None
   ).reset_index()
   

• 逐组生成pivot再concat、用sum合并的逻辑本身存在设计缺陷：sum操作对object类型列完全失效，会直接丢失文本类答案；就算后续拆分数值/对象列分别处理，也绕不开多步合并时的类型不兼容问题。
• 之前尝试用mean做pivot聚合，会自动过滤掉非数值类型的答案，导致文本类字段直接变成空值，就算后续用pd.to_numeric做类型转换，也会把本来要保留的文本值转成空值。
• 上述两步流程的处理效率远高于逐列做pivot再拼接的方案，全程不需要做强制类型转换，所有原始值会完整保留，不存在混合类型兼容的问题。

内容的提问来源于stack exchange，提问作者Sam Winter