如何无需删除空值将Pandas DataFrame转为长格式？

嘿，我来帮你搞定这个问题！你现在用melt加dropna()的方法虽然能实现需求，但确实可以更高效——直接从处理过程中跳过空值，不用事后清理。

先还原你的初始DataFrame，方便测试：

import pandas as pd

df = pd.DataFrame([['a', 'b'], ['d', 'e'], ['f', 'g', 'h'], ['q', 'r', 'e', 't']])
df = df.rename(columns={0: "Key"})

最优方案：用stack()一步到位 #

stack()方法天生就会忽略空值（NaN），完美适配你的需求，代码如下：

new_df = df.set_index('Key').stack().reset_index(name='value').drop(columns='level_1')

给你拆解下每一步的作用：

• set_index('Key')：把Key列设为索引，这样剩下的所有列都是我们要转换的“值列”
• stack()：把列维度的内容堆叠到行维度，自动跳过所有空值，这一步就帮你省去了删除空值的操作
• reset_index(name='value')：重置索引，把堆叠后的值列命名为value，此时会多出一个level_1列（记录原来的列名）
• drop(columns='level_1')：删掉不需要的level_1列，就得到你想要的最终结果

运行后得到的new_df就是你目标的格式：

Key value
0   a     b
1   d     e
2   f     g
3   f     h
4   q     r
5   q     e
6   q     t

如果你更偏爱melt的话 #

要是你习惯用melt，也可以结合query()直接过滤空值，不用单独调用dropna()：

new_df = df.melt(id_vars=['Key'], value_name='value')\
           .query('value.notna()')\
           [['Key', 'value']]\
           .reset_index(drop=True)

不过这个本质还是过滤空值，只是把两步合并成了一步，不如stack()来得直接高效。

内容的提问来源于stack exchange，提问作者johnchase