如何用pivot将7×2 DataFrame转换为带前缀的1×14单行结构

嘿，我来帮你搞定这个DataFrame的结构转换需求！其实不用纠结pivot()，用转置或者堆叠的方法更直接，完全能实现你要的「原列标签+行索引」作为新列名的效果。

先还原你的原始DataFrame #

首先咱们先把你给出的表格转换成可运行的代码：

import pandas as pd

# 构造原始统计DataFrame
data = {
    'polarity': [1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0],
    'subjectivity': [1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0]
}
df = pd.DataFrame(data, index=['count', 'mean', 'min', '25%', '50%', '75%', 'max'])

方法一：转置+重命名列（最直观） #

这个方法步骤清晰，容易理解：

1. 先转置DataFrame，把原来的行索引（count/mean这些）变成列的层级
2. 把原列名和行索引拼接成新的列名
3. 直接得到1行14列的结果

# 转置DataFrame，此时原列名变成行索引，原行索引变成列
transposed_df = df.T

# 重命名列，格式为「原列名_行索引」
transposed_df.columns = [f"{col}_{idx}" for idx, col in transposed_df.columns]

# 最终结果就是你要的结构
result = transposed_df

方法二：堆叠+重塑（更灵活） #

如果需要处理更复杂的多级索引场景，这个方法更通用：

# 把列和行索引堆叠成多级索引的Series
stacked_series = df.stack()

# 将多级索引合并成单个列名
stacked_series.index = [f"{col}_{idx}" for idx, col in stacked_series.index]

# 转成DataFrame并转置，得到单行结构
result = stacked_series.to_frame().T

最终效果 #

运行上述代码后，打印result会得到你期望的结构：

polarity_count  polarity_mean  polarity_min  polarity_25%  polarity_50%  polarity_75%  polarity_max  subjectivity_count  subjectivity_mean  subjectivity_min  subjectivity_25%  subjectivity_50%  subjectivity_75%  subjectivity_max
0             1.0            0.0           0.0           0.0           0.0           0.0           0.0                  1.0                 0.0                0.0                0.0                0.0                0.0                0.0

为什么不用pivot()？ #

pivot()主要用于长表转宽表，需要指定index/columns/values三个参数来聚合数据，而你的需求只是把行索引和原列名拼接成新列名，转置或堆叠的方式更直接高效，不需要额外的聚合逻辑。

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