没问题，这个需求完全可以用Pandas实现，而且针对你提到的百万行、数千种C取值的大数据场景，我们有高效的方案。先来看你的数据示例：

import pandas as pd
data = {'A' : ['000001','000001','000001','000001','000002','000002','000003'],
        'B' : ['1A','1A','1C','1D','1A','1A','1D'],
        'C' : ['003','012','016','003','020','012','053']}
df = pd.DataFrame(data)

下面给你两种高效的实现方法，适配不同的数据规模：

方法1：使用pd.crosstab（直观易读） #

pd.crosstab天生就是用来生成这类交叉标记表的，它会自动按A、B分组，统计每个组内各C值的出现情况，我们只需要把计数转成0/1即可：

# 生成交叉表，以A、B为行索引，C的取值为列
result = pd.crosstab(index=[df['A'], df['B']], columns=df['C'])
# 将计数转为0/1（只要出现过就标记为1）
result = result.applymap(lambda x: 1 if x > 0 else 0)
# 把A、B从索引转回普通列
result = result.reset_index()
# 给列名加上C_前缀，匹配你的需求格式
result.columns = ['A', 'B'] + [f'C_{col}' for col in result.columns[2:]]

方法2：get_dummies + groupby.max（超大数据量首选） #

如果你的数据集达到数百万行级别，这个方法的效率会更高——get_dummies是向量化操作，groupby.max也是Pandas高度优化的聚合方法：

# 对C列生成哑变量，自动添加C_前缀
dummies = pd.get_dummies(df['C'], prefix='C')
# 合并原数据的A、B列和哑变量列
df_with_dummies = pd.concat([df[['A', 'B']], dummies], axis=1)
# 按A、B分组，取每组最大值（存在的C值对应列保留1，否则为0）
result = df_with_dummies.groupby(['A', 'B']).max().reset_index()

最终输出结果 #

运行任意一种方法后，你都会得到符合预期的格式：

A   B  C_003  C_012  C_016  C_020  C_053
0  000001  1A      1      1      0      0      0
1  000001  1C      0      0      1      0      0
2  000001  1D      1      0      0      0      0
3  000002  1A      0      1      0      1      0
4  000003  1D      0      0      0      0      1

大数据场景优化提示 #

• 如果C的取值有数千种，生成的哑变量列会很多，此时可以在get_dummies中添加sparse=True参数，生成稀疏矩阵来节省内存：

  dummies = pd.get_dummies(df['C'], prefix='C', sparse=True)
  

• 方法2的向量化操作避免了额外的计数计算，在百万级数据集上的运行速度会明显优于crosstab。

内容的提问来源于stack exchange，提问作者jma