将以Timestamp为索引的DataFrames转换为三元组存储格式

这需求用Pandas的melt函数就能完美搞定，它专门用来把宽格式的DataFrame转成你要的长格式，再配合concat合并多个处理后的表就行，具体步骤如下：

1. 先准备示例数据（模拟你的场景） #

首先我们复现你给出的两个DataFrame，注意把timestamp转成datetime类型方便后续排序：

import pandas as pd

# 第一个DataFrame（含tag、celc列）
df1 = pd.DataFrame({
    'timestamp': ['2018-03-15 20:05:01.080', '2018-03-15 20:05:23.630', '2018-03-15 20:12:16.990'],
    'tag': [1, 1, 1],
    'celc': [52, 52, 53]
})
df1['timestamp'] = pd.to_datetime(df1['timestamp'])

# 第二个DataFrame（含bpm列）
df2 = pd.DataFrame({
    'timestamp': ['2018-03-15 20:05:01', '2018-03-15 20:21:41', '2018-03-15 20:38:21'],
    'bpm': [50.00, 74.00, 65.33]
})
df2['timestamp'] = pd.to_datetime(df2['timestamp'])

2. 单个DataFrame转长格式 #

用melt函数把每个宽表转成timestamp+label+value的结构：

• id_vars='timestamp'：指定保留timestamp作为标识列
• var_name='label'：把原来的列名（比如tag、celc、bpm）转成label列的值
• value_name='value'：把原来列对应的值转成value列的值

# 处理第一个DataFrame
melted_df1 = df1.melt(id_vars='timestamp', var_name='label', value_name='value')

# 处理第二个DataFrame
melted_df2 = df2.melt(id_vars='timestamp', var_name='label', value_name='value')

3. 合并并排序所有结果 #

把处理后的多个长表合并，再按timestamp排序，就得到你要的最终格式了：

# 合并所有处理后的表
final_df = pd.concat([melted_df1, melted_df2])

# 按timestamp排序，重置索引
final_df = final_df.sort_values('timestamp').reset_index(drop=True)

最终输出结果 #

运行后final_df的内容就是：

timestamp label  value
0 2018-03-15 20:05:01.000   bpm   50.00
1 2018-03-15 20:05:01.080   tag    1.00
2 2018-03-15 20:05:01.080  celc   52.00
3 2018-03-15 20:05:23.630   tag    1.00
4 2018-03-15 20:05:23.630  celc   52.00
5 2018-03-15 20:12:16.990   tag    1.00
6 2018-03-15 20:12:16.990  celc   53.00
7 2018-03-15 20:21:41.000   bpm   74.00
8 2018-03-15 20:38:21.000   bpm   65.33

补充：如果你的DataFrame是以Timestamp为索引 #

如果你的原始DataFrame是把timestamp设为索引（而不是列），那只需要先把索引转成列再执行上面的步骤：

# 假设df1的索引是timestamp，先转成列
df1 = df1.reset_index(names='timestamp')

内容的提问来源于stack exchange，提问作者Giannis