如何以更Pythonic的方式重塑Pandas DataFrame并自动生成目标格式的列名？

嘿，你的思路其实没问题，但手动写列名确实有点麻烦，而且依赖固定切片的逻辑也不够健壮。我来给你几个更Pythonic的方案，既能自动生成目标列名，又能高效完成重塑，扩展性也更强~

方案一：用set_index + stack + 索引层级操作（最简洁） #

这个方案利用Pandas的多层索引特性，完全基于数据的逻辑结构处理，不需要手动指定任何列名，代码也非常简洁：

import pandas as pd

# 你的原始数据
df = pd.DataFrame({
    'TYPE': ['IN', 'OUT'],
    'A': [550, 340],
    'B': [350, 270],
    'C': [600, 420],
    'D': [360, 190]
})

# 核心逻辑：设置索引 -> 堆叠列 -> 交换索引层级 -> 排序 -> 转成单行DataFrame -> 自动生成列名
result = (df.set_index('TYPE')  # 把TYPE设为行索引
           .stack()  # 把A/B/C/D列堆叠成内层索引，得到多层索引的Series
           .swaplevel(0, 1)  # 交换索引层级，让原列名（A/B/C/D）在第一层，TYPE（IN/OUT）在第二层
           .sort_index()  # 按列名排序，保证AIN/AOUT、BIN/BOUT的顺序
           .to_frame().T  # 转成单行的DataFrame
           .rename_axis(None, axis=0)  # 去掉无关的行索引
         )

# 自动生成列名：原列名 + TYPE（比如A+IN=AIN，A+OUT=AOUT）
result.columns = [f'{col}{typ}' for col, typ in result.columns]

print(result)

运行后会得到完全符合你需求的结果：

AIN  AOUT  BIN  BOUT  CIN  COUT  DIN  DOUT
0  550   340  350   270  600   420  360   190

方案二：用melt + pivot的组合（更直观的逻辑） #

如果你更习惯用melt的思路，也可以用这个方案，逻辑更贴近你原来的想法，但完全自动化：

result = (df.melt(id_vars='TYPE', var_name='col')  # 保留TYPE作为标识，把A/B/C/D转成列值
           .pivot(index='col', columns='TYPE', values='value')  # 把TYPE转成列，得到列名对应IN/OUT的表格
           .unstack()  # 把多层结构展开成Series
           .swaplevel(0, 1)  # 调整索引层级顺序
           .sort_index()
           .to_frame().T
           .rename_axis(None, axis=0)
         )

result.columns = [f'{col}{typ}' for col, typ in result.columns]
print(result)

为什么这些方法更Pythonic？ #

1. 完全自动化：不管你后续增加多少列（比如E、F），代码都能自动生成对应的EIN/EOUT、FIN/FOUT列名，不需要手动修改
2. 健壮性强：不依赖固定的切片位置（比如你原来的iloc[1:,2:]），完全基于数据的逻辑结构处理，数据结构变化时不容易出错
3. 链式调用：用Pandas的方法链（method chaining）写代码，逻辑清晰，可读性高，符合Python的简洁风格
4. 扩展性好：如果后续TYPE的取值变化（比如增加'IN2'/'OUT2'），只需要调整列名生成的逻辑即可，核心重塑代码不需要改动

备注：内容来源于stack exchange，提问作者Sun Jar