如何将Pandas GroupBy对象转换为常规DataFrame并进行透视操作

第一步：把GroupBy对象转换为目标DataFrame #

要把GroupBy对象的所有索引和列都转为普通DataFrame的列，最直接的方法是用reset_index()——它会自动将GroupBy的多级索引（如果有的话）转成DataFrame的列，同时保留聚合后的数值列。

假设你的GroupBy对象名为grouped_data，执行以下代码：

# 转换为普通DataFrame，将索引转为列
df = grouped_data.reset_index()

# 重命名数值列（匹配你想要的"Items"列名）
df = df.rename(columns={'items': 'Items'})

执行后就能得到完全符合需求的DataFrame：

如果你的GroupBy操作是直接从原DataFrame聚合而来，也可以一步到位：

# 假设原DataFrame叫original_df，按month_name和year分组聚合items列
df = original_df.groupby(['month_name', 'year'])['items'].sum().reset_index().rename(columns={'items': 'Items'})

第二步：执行Pivot操作 #

拿到目标DataFrame后，你可以根据需求选择pivot()或pivot_table()进行数据重塑：

基础Pivot（无重复分组组合）

如果每个(year, month_name)组合都是唯一的，直接用pivot()生成宽表即可：

# 以year为行索引，month_name为列，Items为值
pivoted_df = df.pivot(index='year', columns='month_name', values='Items')

# 把缺失月份的NaN填充为0（可选）
pivoted_df = pivoted_df.fillna(0)

处理重复分组组合（Pivot Table）

如果存在重复的(year, month_name)组合，推荐用pivot_table()指定聚合函数来处理：

# 自动聚合重复组合，填充缺失值为0
pivoted_df = df.pivot_table(
    index='year',
    columns='month_name',
    values='Items',
    aggfunc='sum',  # 可根据需求替换为mean/count等
    fill_value=0
)

这样生成的结果就能直接用于后续的分析或可视化工作了。

内容的提问来源于stack exchange，提问作者Vijayakumar Govindarajulu