如何在Pandas中实现列重排与编码，将多组名称-百分比列转换为透视表结构

你遇到的这个需求其实是典型的宽表转长表再转宽表的操作，我帮你梳理下具体的实现步骤，亲测有效~

先还原你的原始数据结构（方便复现）：

import pandas as pd

df = pd.DataFrame({
    'ID': [1, 2],
    'comp_1_name': ['name_1', 'name_3'],
    'comp_1_percentage': [13, 15],
    'comp_2_name': ['name_2', 'name_1'],
    'comp_2_percentage': [33, 46]
    # 这里可以扩展到comp_3到comp_6的列，逻辑完全一致
})

下面是具体的转换步骤：

• 第一步：把多组名称-百分比列转成“长格式”
  我们可以用pd.melt()来拆分这些成对的列，关键是通过id_vars保留ID列，然后给其他列分组。这里用正则匹配自动识别comp_X的分组标识：

  # 拆分列名，提取分组标识（比如comp_1、comp_2）和类型（name/percentage）
  df_melted = df.melt(id_vars='ID', var_name='col', value_name='value')
  df_melted['group'] = df_melted['col'].str.extract(r'(comp_\d+)')
  df_melted['type'] = df_melted['col'].str.extract(r'_(name|percentage)$')
  
  # 将同一组的name和percentage转成并列的列
  df_long = df_melted.pivot_table(
      index=['ID', 'group'], 
      columns='type', 
      values='value', 
      aggfunc='first'
  ).reset_index()
  df_long = df_long.drop(columns='group')  # 分组标识完成使命，可以移除
  

• 第二步：将长表转成目标的宽表结构
  现在用pivot把名称作为列，对应百分比作为值，最后把缺失的位置填充为0：

  df_result = df_long.pivot(
      index='ID', 
      columns='name', 
      values='percentage'
  ).fillna(0).reset_index()
  df_result.columns.name = None  # 去掉列索引的冗余名称
  

运行后你就能得到想要的结果：

ID  name_1  name_2  name_3
0   1    13.0    33.0     0.0
1   2    46.0     0.0    15.0

另外还有一种更简洁的写法，利用Pandas专门处理这类重复前缀列的wide_to_long函数，代码更紧凑：

# 直接拆分带前缀的列，指定名称和百分比的stubnames
df_wide = pd.wide_to_long(
    df, 
    stubnames=['comp', 'comp'], 
    i='ID', 
    j='num', 
    sep='_', 
    suffix=r'\w+'
)
df_wide.columns = ['name', 'percentage']

# 透视并填充缺失值
df_result = df_wide.reset_index().pivot(
    index='ID', 
    columns='name', 
    values='percentage'
).fillna(0).reset_index()
df_result.columns.name = None

至于你之前尝试的转置（.T）没用的原因：转置只是简单交换行列，没有处理名称和百分比的对应关系，必须先把每一组的名称和百分比配对关联，再重新透视才能得到目标结构哦~

备注：内容来源于stack exchange，提问作者Alessandro Togni