Pandas DataFrame多列重塑 ：将宽格式数据转换为长格式的实用技巧

在数据分析的实际筹备中 ，经常会遇到数据以“宽格式”存储的情况——每一行代表一个观测单位 ，而多个变量被分散在不同的列中 。例如
，某份销售记录可能包含“产品A销量” 、“产品B销量”、fgo辅助吧“产品A价格”、“产品B价格”等多个字段。这种结构虽然直观，却不利于后续的统计建模或可视化分析 。此时 ，将宽格式数据转换为“长格式”就显得尤为重要。

Pandas 提供了强大的 melt() 和 wide_to_long() 函数来实现这一转换 ，尤其适用于多列数据的重塑操作。掌握这些工具 ，fate/grand order吧不仅能晋升数据清洗效率，还能让分析流程更加清晰、可复用。

假设我们有一份学裸露绩表 ，包含语文 、数学 、英语三门科目的fate grand order 礼装成绩和对应的学习时间：

python

df = pd.DataFrame({

姓名: [张三, 李四, 王五],

语文分数: [85, 90, 78], 数学分数: [92, 88, 84],

英语分数: [76, 95, 89], 语文时长: [2.5, 3.0, 2.0],

数学时长: [3.0, 2.5, 3.5], 英语时长: [2.0, 3.5, 2.8]

我们的目标是将“科目”作为分类变量 ，把“分数”和“时长”分别拉成两列，形成一条条“学生-科目-分数-时长”的记录 。这就需要对多列铺开统一筹备。

首先使用 pd.wide_to_long()  ，它特别适合结构规整、命名有规律的宽表。我们需要先调整列名  ，fate动漫使其符合“变量名+后缀”的模式：

python df.columns = [姓名, 分数_语文, 分数_数学, 分数_英语, 时长_语文, 时长_数学, 时长_英语] df_tidy = pd.wide_to_long(df, stubnames=[分数, 时长], i=姓名, j=科目, sep=_, suffix=\\w+)

这里 stubnames 指定了要拆分的变量前缀 ，“分数”和“时长”会自动与“语文”“数学”“英语”组合匹配；i 是不变的索引列，j 是新裸露的类别列 ，sep 表示分隔符 ，suffix 匹配后缀内容 。执行后
，我们得到一个以“姓名+科目”为索引的长格式 DataFrame，每行对应一个学生的某一科目信息
。

若列名不规则 ，或需要更灵活的控制 ，melt() 是更通用的选择。我们可以先手动构造标识列 ，再熔化数据：

python

划分出分数列和时长列

scorecols = [语文分数, 数学分数, 英语分数]

dfmeltedscores = dforiginal[[姓名] + scorecols].melt(

idvars=姓名, valuevars=scorecols, varname=科目分数, valuename=分数

)

dfmeltedtimes = dforiginal[[姓名] + timecols].melt(

idvars=姓名, valuevars=timecols, varname=科目时长, valuename=时长

)

归并两个熔化后的表

result = pd.merge(dfmeltedscores[[姓名, 科目, 分数]],

dfmeltedtimes[[姓名, 科目, 时长]],

这种计划虽然步骤较多，但逻辑清晰，适用于繁杂场景。最终得到的结果是一个干净的长格式数据集
，便于按科目分组统计 、绘制趋势图或输入机器学习模型 。

值得注意的是 ，在实际操作中
，列名的规范化往往是关键前提
。善用字符串操作（如 str.split() 、str.replace()）能大幅晋升数据重塑的效率  。此外，重塑后建议重置索引并检查数据完整性，避免因缺失值或类型不一致影响后续分析。

掌握多列重塑技巧 ，意味着我们能更自由地驾驭数据形态，让原始杂乱的表格焕发结构之美。这不仅是技术操作 ，更是数据分析思维的体现——从“如何存”，行向“如何用”。

🔥《微信域名检测接口、微信域名防封跳转、晋升网站流量排名 、微信加粉统计系统 、超值服务器与挂机宝、个人免签码支付》