如何将指定结构的Pandas DataFrame转置变形为目标格式？

首先明确你的需求：把按年份行存储的物理成绩，转成以年份为列、同组成绩逐行对齐的结构，长度不一致的行留空。

先看你的原始数据和目标结构：

原始DataFrame #

import pandas as pd
df = pd.DataFrame(columns=["AC_YEAR","Physics"],data=[[2010,8],[2010,9],[2011,7],[2010,3],[2011,4]])

目标结构 #

df2 = pd.DataFrame(columns=[2010,2011],data=[[8,7],[9,4],[3,]])

你原来的代码问题分析 #

你用循环+pd.concat的思路方向是对的，但有两个关键错误：

1. 没有将concat结果赋值回df2：每次循环里的pd.concat只是生成了新的DataFrame，但没有保存到df2变量中，最后df2还是初始的空DataFrame
2. join参数用了"inner"：inner会只保留两个DataFrame索引重叠的行，2010有3条数据，2011只有2条，用inner会丢掉2010的第三条数据，不符合你的目标需求

正确解法 #

这里提供两种简洁的实现方式：

方法一：分组提取后拼接（直观易懂）

先分别提取每个年份的成绩，重置索引后按列拼接，长度不一致的行自动留空（pandas里用NaN表示空值，和你目标里的[3,]效果一致）：

# 提取各年份的Physics列，重置索引保证行对齐
year_2010 = df[df["AC_YEAR"] == 2010]["Physics"].reset_index(drop=True)
year_2011 = df[df["AC_YEAR"] == 2011]["Physics"].reset_index(drop=True)

# 按列拼接，设置列名为年份
df2 = pd.concat([year_2010, year_2011], axis=1)
df2.columns = [2010, 2011]

方法二：用pivot透视（更简洁的pandas风格）

先给每个年份组内的行添加序号，再通过透视把年份转成列：

# 给每个AC_YEAR分组添加组内行号
df['row_id'] = df.groupby('AC_YEAR').cumcount()

# 透视转换：行号为索引，年份为列，值为Physics成绩
df2 = df.pivot(index='row_id', columns='AC_YEAR', values='Physics').reset_index(drop=True)

运行后得到的df2就是你想要的结构，空值会自动填充为NaN，和目标一致。

内容的提问来源于stack exchange，提问作者MTT