Pandas：调查结果DataFrame浓缩及转换最优方法咨询

嘿，这个问题问到点子上了！咱们结合调查数据的常见场景，一步步拆解来看：

首先得明确你的目标格式是什么——这直接决定了工具的选择：

• 如果是想把长格式数据（每行是单个用户对单个问题的回答）转成宽格式（每行对应一个用户，列是各个问题的回答），那Pivot（或pivot_table）是最直接高效的选择。它就是专门用来做这种「行列转换」的，代码简洁，逻辑清晰，完全不用绕弯子。
• 如果你的需求是按维度做聚合统计（比如统计每个问题的「Yes」占比、不同群体的回答差异），那Groupby才是主场。但要是只是单纯的格式重塑，Pivot绝对是首选。

把'Yes'替换成布尔值的优势？必须有！ #

换成True/False布尔值的好处真的不少：

• 内存更省：布尔值在Pandas里只占1字节，比字符串（至少占几个字节）节省很多，数据量越大优势越明显。
• 计算更顺手：后续统计的时候，直接用.sum()就能算出每个用户的「Yes」数量，.mean()直接得到问题的同意率，完全不用额外写字符串匹配的条件，代码干净又高效。
• 逻辑更直观：布尔测试本身就是Pandas里处理这类问题的常规操作，直接把回答转成布尔值，后续的条件判断、过滤都会更顺畅，减少冗余代码。

具体实现示例（附代码） #

先假设你的原始调查DataFrame是常见的长格式（比如这样）：

import pandas as pd

# 模拟调查数据：user_id=用户ID，question=问题，response=回答
df = pd.DataFrame({
    'user_id': [1,1,2,2,3],
    'question': ['Q1', 'Q2', 'Q1', 'Q2', 'Q1'],
    'response': ['Yes', 'No', 'Yes', 'Yes', 'No']
})

第一步：把'Yes'/'No'转成布尔值 #

两种高效写法任选：

# 写法1：字典映射（适合有更多回答类型的场景）
df['response'] = df['response'].map({'Yes': True, 'No': False})

# 写法2：直接布尔判断（更简洁，仅针对Yes/No场景）
df['response'] = df['response'] == 'Yes'

第二步：用Pivot转成宽格式 #

如果要得到「每个用户对应所有问题的布尔回答」：

wide_df = df.pivot(index='user_id', columns='question', values='response')

如果存在同一个用户对同一个问题的重复回答（比如多次提交），可以用pivot_table指定聚合方式（比如取第一个有效回答，或者按多数投票）：

# 取第一个回答作为最终结果
wide_df = df.pivot_table(index='user_id', columns='question', values='response', aggfunc='first')

什么时候用Groupby？ #

举个例子，如果你要统计每个问题的同意人数和同意率：

question_stats = df.groupby('question')['response'].agg(['sum', 'count'])
question_stats['agree_rate'] = question_stats['sum'] / question_stats['count']

一句话总结 #

• 单纯格式重塑（长转宽）：选pivot/pivot_table，一步到位。
• 分组统计分析：用groupby，灵活处理各类聚合需求。
• 替换'Yes'为布尔值：强烈推荐，既省内存又让后续操作更丝滑。

内容的提问来源于stack exchange，提问作者Boreal Coder