如何将多个DataFrame合并为一个：以time为索引、id为列名

我明白你的需求啦——你手上有一批结构相似的DataFrame，每个里面的time值都是固定的，而且所有DF的id列包含完全相同的元素，现在要把它们整合成一个新的宽表：每个原DF对应新表的一行，用那个唯一的time当行索引，id里的元素作为新表的列名，对应位置填原DF里的数值。

咱们先从示例数据入手，这样更直观：

import pandas as pd

# 模拟你手上的DataFrame列表
df_list = [
    pd.DataFrame({'time': ['2023-01-01']*3, 'id': ['A', 'B', 'C'], 'value': [10, 20, 30]}),
    pd.DataFrame({'time': ['2023-01-02']*3, 'id': ['A', 'B', 'C'], 'value': [15, 25, 35]}),
    pd.DataFrame({'time': ['2023-01-03']*3, 'id': ['A', 'B', 'C'], 'value': [12, 22, 32]})
]

接下来是核心的处理步骤，思路很简单：把每个小DF先转成单行的宽格式，再把所有单行DF拼起来就行：

# 处理每个DataFrame，转成以time为索引的单行宽表
processed_dfs = []
for df in df_list:
    # 取出当前DF唯一的time值
    current_time = df['time'].iloc[0]
    # 将id设为索引，提取数值列后转置成单行，再把time设为行索引
    wide_single_row = df.set_index('id')['value'].to_frame().T
    wide_single_row.index = [current_time]
    processed_dfs.append(wide_single_row)

# 合并所有处理后的单行表
final_df = pd.concat(processed_dfs)

运行之后你会得到这样的结果：

A   B   C
2023-01-01  10  20  30
2023-01-02  15  25  35
2023-01-03  12  22  32

如果想让代码更简洁，用列表推导式一步到位：

final_df = pd.concat(
    [df.set_index('id')['value'].to_frame().T.set_index([df['time'].iloc[0]]) 
     for df in df_list]
)

⚠️ 注意：如果你的原DataFrame里存储数值的列不是叫value，记得把代码里的['value']替换成你实际的列名（比如['score']、['metric']之类的）。

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