如何在Pandas透视表中将值字段转为行而非列

嘿，我来帮你搞定这个需求！你想要的效果其实是先把数据做宽表转长表的重塑，把value_1和value_2从列转换为行，之后再调整结构让time作为唯一的列维度。这里有两种简洁的实现方法，都能得到你期望的结果：

方法一：用melt + pivot组合 #

melt可以帮你把分散的value_*列合并成一个新的行维度（也就是你说的head_3），之后用pivot把time转成列即可：

import pandas as pd

# 你的原始数据
x = pd.DataFrame([[1, 'step', 'id', 22, 33], 
                  [2, 'step', 'id', 55, 66]], 
                  columns=['time', 'head_1', 'head_2', 'value_1', 'value_2'])

# 1. 用melt把value_1/value_2转成行，生成head_3列
melted_df = x.melt(
    id_vars=['time', 'head_1', 'head_2'],  # 保留作为标识的列
    value_vars=['value_1', 'value_2'],     # 需要转成行的列
    var_name='head_3',                     # 新行维度的列名
    value_name='value'                     # 对应值的列名
)

# 2. 用pivot把time转成列，设置多层索引
result = melted_df.pivot(
    index=['head_1', 'head_2', 'head_3'],  # 行索引
    columns='time',                        # 列维度
    values='value'                         # 填充的数值
)

# 查看结果
print(result)

运行后输出的结果正好是你想要的格式：

time                       1   2
head_1 head_2 head_3                       
step   id     value_1     22  55
              value_2     33  66

方法二：用stack + unstack组合 #

这种方法更偏向Pandas的索引操作，通过堆叠（stack）和反堆叠（unstack）来调整维度：

# 1. 设置初始索引，然后堆叠value列到行维度
stacked_df = x.set_index(['time', 'head_1', 'head_2']).stack().reset_index()
# 重命名列名，对应head_3和数值
stacked_df.columns = ['time', 'head_1', 'head_2', 'head_3', 'value']

# 2. 反堆叠time列，得到目标格式
result = stacked_df.set_index(['head_1', 'head_2', 'head_3', 'time'])['value'].unstack('time')

print(result)

这个方法的输出和方法一完全一致，适合习惯用索引操作的同学。

为什么原来的pivot_table达不到效果？ #

你之前用的pivot_table会把values参数里的字段作为列的上层维度，而我们需要的是把这些字段放到行索引里。所以必须先通过melt或stack把宽表转成长表，让value_1/value_2成为行的一部分，再进行透视操作。

备注：内容来源于stack exchange，提问作者LaTeXFan