如何在SQL Server 2008中基于logid列实现行转列（透视）

这是个很常见的长表转宽表需求——把按logid和skillposition分散的行数据，合并成以logid为唯一标识的单行数据，同时用skillposition的值作为新列的后缀。我给你两种实用的实现方案，分别适配数据库操作和Python数据处理场景：

方案1：用SQL实现（以MySQL为例） #

如果你的数据存在数据库里，用条件聚合是最直接的方式，逻辑清晰且性能稳定：

SELECT
    logid,
    -- 按skillposition提取对应的skilllevel，缺失时填充示例指定值
    MAX(CASE WHEN skillposition = 1 THEN skilllevel ELSE 60 END) AS skilllevel1,
    MAX(CASE WHEN skillposition = 2 THEN skilllevel ELSE 20 END) AS skilllevel2,
    MAX(CASE WHEN skillposition = 3 THEN skilllevel ELSE 10 END) AS skilllevel3,
    -- 同理处理logonskill字段
    MAX(CASE WHEN skillposition = 1 THEN logonskill ELSE 3 END) AS logonskill1,
    MAX(CASE WHEN skillposition = 2 THEN logonskill ELSE 5 END) AS logonskill2,
    MAX(CASE WHEN skillposition = 3 THEN logonskill ELSE 6 END) AS logonskill3
FROM
    your_table_name -- 替换成你的数据表名
GROUP BY
    logid;

小说明： #

• MAX()聚合函数是为了确保每个logid分组后只保留对应skillposition的唯一值（因为logid+skillposition应该是唯一组合，用MIN/SUM也能达到同样效果）
• 如果你不需要固定填充缺失值，把ELSE后面的数值改成ELSE NULL即可，缺失的位置会显示为空。

如果你用的是支持PIVOT语法的数据库（比如SQL Server、Oracle），可以用更简洁的PIVOT写法：

SQL Server版本示例：

SELECT
    logid,
    [1] AS skilllevel1,
    [2] AS skilllevel2,
    [3] AS skilllevel3,
    logonskill1,
    logonskill2,
    logonskill3
FROM (
    SELECT 
        logid, 
        skilllevel, 
        skillposition,
        logonskill, 
        'logonskill' + CAST(skillposition AS VARCHAR) AS logonskill_col
    FROM your_table_name
) AS src
-- 第一次PIVOT处理skilllevel字段
PIVOT (
    MAX(skilllevel) FOR skillposition IN ([1], [2], [3])
) AS pvt_skill
-- 第二次PIVOT处理logonskill字段
PIVOT (
    MAX(logonskill) FOR logonskill_col IN ([logonskill1], [logonskill2], [logonskill3])
) AS pvt_logon;

方案2：用Python Pandas实现 #

如果是用Python做数据处理，Pandas的pivot函数可以快速完成转换：

首先准备数据（如果是从文件/数据库读取，直接替换成读取逻辑即可）：

import pandas as pd

# 模拟你的样本数据
data = [
    [101, 90, 1, 1],
    [101, 40, 2, 2],
    [102, 30, 4, 1]
]
df = pd.DataFrame(data, columns=['logid', 'skilllevel', 'logonskill', 'skillposition'])

然后执行转宽操作：

# 分别对skilllevel和logonskill做透视
skilllevel_wide = df.pivot(index='logid', columns='skillposition', values='skilllevel')
logonskill_wide = df.pivot(index='logid', columns='skillposition', values='logonskill')

# 重命名列，加上对应后缀
skilllevel_wide.columns = [f'skilllevel{col}' for col in skilllevel_wide.columns]
logonskill_wide.columns = [f'logonskill{col}' for col in logonskill_wide.columns]

# 合并两个透视表，填充示例指定的缺失值
result = pd.concat([skilllevel_wide, logonskill_wide], axis=1).fillna({
    'skilllevel1': 30, 'skilllevel2':20, 'skilllevel3':10,
    'logonskill1':4, 'logonskill2':5, 'logonskill3':6
}).reset_index()

# 查看结果
print(result)

运行后就能得到你想要的格式：

logid  skilllevel1  skilllevel2  skilllevel3  logonskill1  logonskill2  logonskill3
0    101         90.0         40.0         60.0          1.0          2.0          6.0
1    102         30.0         20.0         10.0          4.0          5.0          6.0

小说明： #

• 如果不需要固定填充缺失值，去掉fillna()部分即可，缺失的位置会显示为NaN
• 如果你的skillposition取值不止1-3，Pandas会自动识别所有存在的取值并生成对应列，不需要手动扩展。

内容的提问来源于stack exchange，提问作者Varun K