如何使用Pandas将DataFrame同组多行数据转换为单行？

嘿，这个需求其实很常见，用Pandas的分组和重塑功能就能轻松搞定！我给你一步步拆解怎么做：

首先，先把你的原始数据用代码复现出来，方便我们测试：

import pandas as pd

# 你的原始DataFrame
df = pd.DataFrame({
    'a': [1, 1, 1, 1, 2, 2, 2],
    'b': [10, 30, 60, 80, 10, 60, 80],
    'c': [20, 40, 70, 100, 20, 70, 100]
})

接下来核心步骤：

1. 给每组添加行编号：我们需要给每个a值对应的行标记顺序（1、2、3...），这样才能把同组的b、c分别转成b1、c1、b2、c2这类列：

   # 按a分组后，给每行从1开始计数
   df['row_num'] = df.groupby('a').cumcount() + 1
   

2. 转成宽表格式：用pivot函数把行转成列，以a为索引，row_num为列，b和c为值：

   wide_df = df.pivot(index='a', columns='row_num', values=['b', 'c'])
   

3. 整理列名：这时候列名是多层的（比如('b', 1)），我们把它合并成你要的b1、c1格式：

   wide_df.columns = [f'{col}{num}' for col, num in wide_df.columns]
   

4. 收尾处理：把a从索引变回普通列，同时给缺失的位置填充NA（对应第二组只有3行的情况）：

   wide_df = wide_df.reset_index().fillna(pd.NA)
   

现在你打印wide_df，就得到了你想要的结果：

a  b1  c1  b2  c2  b3   c3    b4     c4
0  1  10  20  30  40  60  70  80  100
1  2  10  20  60  70  80  100  <NA>  <NA>

如果你的数据量很大，这个方法效率也很高，因为都是Pandas的内置向量操作，比循环快多啦～

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