如何用Group by、Pivot_table、Stack&Unstack重塑Pandas DataFrame（非聚合）

Hey there! 我太懂这种感觉了——对着一堆讲聚合的笔记，想做个纯结构重塑却卡得要死，pivot_table试了半天连第一步都走不通，简直头大😅

既然你不需要任何聚合操作，那**set_index + unstack绝对是最顺手的工具，另外如果你的数据没有重复的分组组合，pivot**也能直接搞定。下面我用一个贴近常见场景的示例来演示具体代码：

先明确示例场景 #

假设你的原始DataFrame长这样（如果结构不同，只要调整列名就行）：

import pandas as pd

# 原始DataFrame
df = pd.DataFrame({
    "Category": ["A", "A", "A", "B", "B"],
    "SubCategory": ["A1", "A1", "A2", "B1", "B1"],
    "Item": ["X", "Y", "X", "X", "Y"],
    "Value": [10, 20, 15, 5, 25]
})

目标是转成二级列索引的格式（行是Item，列是Category→SubCategory，值是Value）：

方法1：Set Index + Unstack（推荐，纯重塑无聚合） #

这是最灵活的方式，完全不需要聚合，核心是把要转成层级的列设置为行索引，再把索引层级转成列：

# 1. 将需要作为层级的列设置为多重行索引
# 顺序：行索引（Item）→ 要转成列层级的字段（Category, SubCategory）
stacked = df.set_index(["Item", "Category", "SubCategory"])["Value"]

# 2. 把后面两层索引（Category, SubCategory）转成列的二级层级
result = stacked.unstack(level=[1, 2])

# 3. 可选：整理列名的显示（如果需要更清晰的层级）
result.columns = result.columns.reorder_levels(["Category", "SubCategory"])
result = result.sort_index(axis=1)

执行后就得到了你要的二级列索引结构，全程没有任何聚合操作——因为unstack只是把行索引的层级平移到列上，只要原始数据的索引组合是唯一的就不会报错。

方法2：Pivot（适合无重复组合的场景） #

如果你的数据中(Category, SubCategory, Item)的组合是唯一的（没有重复行），直接用pivot就能一步到位：

# 直接指定行索引、列的层级、值字段
result = df.pivot(
    index="Item",
    columns=["Category", "SubCategory"],
    values="Value"
)

这个方法更简洁，但要注意：如果存在重复的组合，pivot会报错，这时候才需要用pivot_table加聚合函数（但你不需要，所以先确认数据唯一性）。

前置检查：确保无重复组合 #

为了避免报错，建议先检查是否有重复的分组组合：

# 检查是否有重复的(Category, SubCategory, Item)组合
duplicates = df.duplicated(subset=["Category", "SubCategory", "Item"], keep=False)
if duplicates.any():
    print("⚠️ 注意：存在重复的分组组合，请先去重或处理后再重塑！")

如果你的目标格式和示例略有不同（比如行是二级索引，列是Item），只要调整set_index的顺序和unstack的层级就行——核心逻辑都是把层级字段转成索引，再平移到行/列，完全不需要依赖聚合操作~

内容的提问来源于stack exchange，提问作者kiltannen