如何将融合转置后作为索引的食品分类信息拆分并转换为DataFrame常规列

看起来你已经摸到门道啦，只是最后处理索引拆分的时候有点小语法问题，而且咱们还可以优化前期的代码逻辑，避免把分类信息塞进列名里给自己添麻烦。我来一步步帮你解决：

一、先修复当前代码的索引拆分问题 #

你最后一行代码里的final_df.[0]是语法错误——转置后的final_df，那些带分号的分类信息其实是它的索引，不是列。咱们直接对索引进行拆分就好，还要记得去掉字符串里多余的空格：

# 转置后的final_df，索引是带分号的字符串，拆分索引到新列
final_df[['Type', 'Subtype', 'Sub-subtype', 'N']] = final_df.index.to_series().apply(
    lambda x: pd.Series([s.strip() for s in str(x).split(";")])
)

# 把索引里的"the_meat"改成你想要的"Meat"格式
final_df['Type'] = final_df['Type'].str.replace('the_meat', 'Meat')

# 可选：如果不需要原来的索引了，可以删掉它
final_df = final_df.reset_index(drop=True)

这样就能直接得到你想要的Type/Subtype/Sub-subtype/N这几列啦。

二、优化前期代码逻辑（从根源避免麻烦） #

其实你一开始把分类信息塞进列名的做法，会让后续处理变复杂。咱们可以提前给每个临时DataFrame加上分类列，最后再合并转成宽格式，逻辑更清晰：

x_axel = []
amrS = uag.set_index('AMRs')

for i in x:  # x是食品大类：meat, fish, vegetables...
    y = ft[i].dropna().tolist()
    pattern = '|'.join(map(re.escape, y)) 
    typeF = df[df['Isolation source'].str.contains(pattern, case=False, na=False)]
    
    # 处理大类数据，新增分类列
    df_type = pd.melt(typeF, id_vars=['Isolation source'], value_name=i)[i].value_counts().reset_index()
    df_type.columns = ['AMRs', 'Count']
    df_type['Type'] = i.replace('the_', '')  # 直接把the_meat改成Meat
    df_type['Subtype'] = ''
    df_type['Sub-subtype'] = ''
    df_type['N'] = typeF.shape[0]
    x_axel.append(df_type)
    
    for j in y:  # 处理子类数据
        subtypeF = df[df['Isolation source'].str.contains(j, case=False, na=False)]
        df_subtype = pd.melt(subtypeF, id_vars=['Isolation source'], value_name=i)[i].value_counts().reset_index()
        df_subtype.columns = ['AMRs', 'Count']
        df_subtype['Type'] = i.replace('the_', '')
        df_subtype['Subtype'] = j
        df_subtype['Sub-subtype'] = ''
        df_subtype['N'] = subtypeF.shape[0]
        x_axel.append(df_subtype)
        
        subsubTL = list(set(subtypeF['Isolation source'].to_list()))
        for k in subsubTL:  # 处理具体食品数据
            # 这里用==替代contains，避免匹配到相似的字符串，更严谨
            subsubtypeF = df[df['Isolation source'] == k]
            df_subsubtype = pd.melt(subsubtypeF, id_vars=['Isolation source'], value_name=i)[i].value_counts().reset_index()
            df_subsubtype.columns = ['AMRs', 'Count']
            df_subsubtype['Type'] = i.replace('the_', '')
            df_subsubtype['Subtype'] = j
            df_subsubtype['Sub-subtype'] = k
            df_subsubtype['N'] = subsubtypeF.shape[0]
            x_axel.append(df_subsubtype)

# 合并所有临时数据，补全缺失的AMR基因（填充0）
combined_df = pd.concat(x_axel, ignore_index=True)
full_amr = pd.DataFrame({'AMRs': uag['AMRs']})
combined_df = pd.merge(full_amr, combined_df, on='AMRs', how='left').fillna(0)

# 转成你想要的宽格式：行是分类信息，列是AMR基因
final_df = combined_df.pivot_table(
    index=['Type', 'Subtype', 'Sub-subtype', 'N'],
    columns='AMRs',
    values='Count',
    fill_value=0,
    aggfunc='sum'
).reset_index()

这样处理完，直接就能得到和你预期完全一致的表格，不需要再折腾索引拆分的步骤，后续维护也更方便。

几个小细节提醒 #

• 匹配具体食品时，用==替代contains，能避免误匹配（比如不会把"chicken salad"和"chicken nugget"混在一起）
• 提前处理the_前缀，避免后续再修改字符串
• 用pivot_table生成宽格式，比循环join多个DataFrame更高效

备注：内容来源于stack exchange，提问作者Dragoran21