按ID重塑Dataframe并统计各活动强度预测值的求和结果

嘿，我来帮你搞定这个数据处理需求！针对你描述的按ID统计各预测列活动强度次数的问题，用Pandas可以轻松实现，下面是具体步骤和代码：

步骤说明 #

你的原始数据是按ID和时间戳组织的宽表，我们需要先把数据“拉长”（转成窄表），再分组统计次数，最后重新“拉宽”成你想要的格式。

1. 导入库并读取数据 #

首先导入Pandas，然后读取你的数据集（这里假设是CSV格式，根据你的实际存储格式调整即可）：

import pandas as pd

# 读取数据，替换成你的文件路径
df = pd.read_csv('your_activity_data.csv')

2. 将宽表转换为窄表（Melt操作） #

我们需要把x1到x8这8列转换成“特征名-强度值”的形式，这样方便后续分组统计：

# 保留id列作为分组依据，将x1-x8列转成变量名和对应强度值
melted_df = df.melt(
    id_vars='id',
    value_vars=[f'x{i}' for i in range(1, 9)],  # 覆盖x1到x8
    var_name='feature',
    value_name='Intensity'
)

执行后的数据会变成三列：id、feature（比如x1、x2）、Intensity（比如Light、Moderate），每一行对应某个ID下某一列的强度值。

3. 分组统计次数并重塑回宽表 #

接下来按id、Intensity、feature分组统计出现次数，然后把feature列转成列名，同时填充缺失的强度值为0：

# 分组统计每个ID-强度-特征的出现次数
count_df = melted_df.groupby(['id', 'Intensity', 'feature']).size().unstack(fill_value=0)

# 重置索引，让id和Intensity成为普通列
result = count_df.reset_index()

4. 调整列顺序（可选） #

如果需要保证x1到x8的列顺序严格对应，可以手动调整列的顺序：

# 重新排列列，确保id、Intensity在前，x1-x8按顺序排列
result = result[['id', 'Intensity'] + [f'x{i}' for i in range(1, 9)]]

示例验证 #

用你给出的样例数据测试：
原始数据：

id time x1 x2 x3
1 10:30 Moderate Light Light
1 10:31 Moderate Light Moderate
2 12:24 Light Light Light
2 12:25 Light Light Light

执行代码后得到的结果如下（会自动包含所有出现过的强度类型，未出现的强度次数为0）：

id Intensity  x1  x2  x3  x4  x5  x6  x7  x8
0   1      Light   0   2   1   0   0   0   0   0
1   1   Moderate   2   0   1   0   0   0   0   0
2   2      Light   2   2   2   0   0   0   0   0
3   2   Moderate   0   0   0   0   0   0   0   0
# 若原始数据有Sedentary或Vigorous，也会生成对应的行

这个方法针对80个ID和8列的规模完全没问题，效率很高，能快速得到你想要的结果。

内容的提问来源于stack exchange，提问作者Andy