求助：如何将DataFrame的列名与值拆分到行和列结构？

你要完成的是宽格式（wide format）DataFrame到长格式（long format）的转换，这类操作在Pandas里有成熟的工具可以实现，下面我会一步步拆解思路，再给出具体代码示例：

核心逻辑梳理 #

你的原始表列名是nameX_attrY的固定格式，目标是把这些列拆成三个维度：ID（保留原有主键）、name（提取列名里的X数字）、attr1/attr2（提取列名里的Y对应的数值）。核心就是拆分列名中的结构化信息，再把分散的列值重新映射到新的行结构里。

具体实现步骤（以Pandas为例） #

先假设你的原始DataFrame叫df，先处理好示例数据，再一步步转换：

1. 构造示例原始数据 #

先把你给出的示例转成可操作的DataFrame：

import pandas as pd

data = {
    'ID': [1, 1, 4, 5],
    'name1_attr1': [2, 3, 2, None],
    'name1_attr2': [3, 4, 4, None],
    'name2_attr1': [1, 3, 6, None],
    'name2_attr2': [2, 3, 7, None]
}
df = pd.DataFrame(data)

2. 用melt把宽表转成基础长表 #

先把除了ID之外的所有列转成「键-值」对的形式，方便后续拆分：

# 保留ID作为主键，把其他列转成name_attr（键）和value（值）
melted_df = df.melt(id_vars='ID', var_name='name_attr', value_name='value')

这一步后，你会得到一个包含ID、name_attr（比如name1_attr1）、value的长表。

3. 拆分name_attr列，提取name和attr编号 #

用字符串拆分和正则提取，把name_attr里的数字拆出来：

# 按下划线拆分列名，得到name和attr的原始字符串
melted_df[['name', 'attr']] = melted_df['name_attr'].str.split('_', expand=True)
# 提取name里的数字（比如name1转成1），并转成整数类型
melted_df['name'] = melted_df['name'].str.extract('(\d+)').astype(int)

4. 用pivot重塑成目标结构 #

把attr转成列，对应的值填充进去，再整理格式：

# 以ID和name为索引，把attr作为列，value作为对应值
final_df = melted_df.pivot_table(
    index=['ID', 'name'],
    columns='attr',
    values='value',
    aggfunc='first'  # 保证每个组合只取第一个值，避免重复
).reset_index()

# 重命名列，和目标结构对齐
final_df.columns = ['ID', 'name', 'attr1', 'attr2']
# 过滤掉全空的无效行（比如ID=5的那些）
final_df = final_df.dropna(subset=['attr1', 'attr2']).reset_index(drop=True)

5. 简化方案：用wide_to_long一步到位 #

Pandas专门提供了wide_to_long工具处理这种带编号的列名，代码更简洁：

# 先把列名转成多级索引，拆分name和attr
df.columns = pd.MultiIndex.from_tuples(
    [('ID', '')] + [tuple(col.split('_')) for col in df.columns if col != 'ID']
)
# 堆叠多级索引，直接得到长表
final_df = df.stack(0).reset_index()
final_df.rename(columns={'level_1': 'name', 0: 'attr1', 1: 'attr2'}, inplace=True)
# 提取name的数字并过滤空值
final_df['name'] = final_df['name'].str.extract('(\d+)').astype(int)
final_df = final_df.dropna(subset=['attr1', 'attr2']).reset_index(drop=True)

关键注意事项 #

• 缺失值处理：原始数据里ID=5的行全是空值，转换后记得用dropna过滤掉这些无效行
• 列名格式兼容：如果你的实际列名格式有变化（比如不是nameX_attrY），要调整正则表达式确保正确提取编号
• 数据类型：提取的name编号要转成整数，避免字符串类型影响后续排序或计算

内容的提问来源于stack exchange，提问作者waterline