dataframe列转换为行

### 使用 `melt` 方法实现 DataFrame 的列转行 在 Pandas 中，可以使用 `DataFrame.melt()` 函数将宽格式的数据转换为长格式的数据。此操作通常被称为逆透视表 (unpivot) 或者列转行。 以下是基于提供的引用以及实际需求的具体说明和代码示例： #### 基本语法 Pandas 提供了 `melt` 方法来执行这一操作，其主要参数如下： - **`id_vars`**: 表示保持不变的列（即不需要被重塑的列）。 - **`value_vars`**: 表示需要被重塑的列，默认情况下会选取所有不在 `id_vars` 中的列。 - **`var_name`**: 定义新生成的一列表示原列名称的新列名。 - **`value_name`**: 定义新生成的一列表示原数值的新列名。 具体调用方式可参见以下代码示例[^1]。 #### 示例代码 假设有一个简单的 DataFrame 如下所示： ```python import pandas as pd X1 = pd.DataFrame( { "Person": ["Bob", "Alice", "Steve"], "Age": [32, 24, 64], "Weight": [128, 86, 95], "Height": [180, 175, 165], } ) print(X1) ``` 运行结果为： ``` Person Age Weight Height 0 Bob 32 128 180 1 Alice 24 86 175 2 Steve 64 95 165 ``` 如果希望将 `Age`, `Weight`, 和 `Height` 这些列为变量并将其转化为两列形式，则可以通过以下代码完成： ```python # 将指定列作为固定列(id_vars), 其余列进行熔化(value_vars) result = pd.melt( X1, id_vars=["Person"], # 不变的列 value_vars=["Age", "Weight", "Height"], # 被重塑的列 var_name="Attribute", # 变量名称所在列的名字 value_name="Value" # 数值所在列的名字 ) print(result) ``` 运行结果为： ``` Person Attribute Value 0 Bob Age 32 1 Alice Age 24 2 Steve Age 64 3 Bob Weight 128 4 Alice Weight 86 5 Steve Weight 95 6 Bob Height 180 7 Alice Height 175 8 Steve Height 165 ``` 以上代码实现了将原始表格中的某些列 (`Age`, `Weight`, `Height`) 转换成长格式下的两列结构：一个是属性名(`Attribute`)，另一个是对应的值(`Value`)。 #### 更复杂的场景 当存在多层索引或多级列头时，还可以通过设置 `col_level` 参数选择特定层次上的列来进行熔化操作[^3]。 例如对于一个多级列头的情况： ```python multi_X1 = pd.DataFrame({ ('Info', 'Name'): ['Bob', 'Alice', 'Steve'], ('Metrics', 'Age'): [32, 24, 64], ('Metrics', 'Weight'): [128, 86, 95], ('Metrics', 'Height'): [180, 175, 165] }) multi_X1.columns.names = ['Category', 'Detail'] print(multi_X1) ``` 输出为： ``` Category Info Metrics Detail Name Age Weight Height 0 Bob 32 128 180 1 Alice 24 86 175 2 Steve 64 95 165 ``` 此时可以选择仅针对某一层进行熔化： ```python melted_multi = multi_X1.melt( id_vars=[('Info', 'Name')], value_vars=[('Metrics', 'Age'), ('Metrics', 'Weight'), ('Metrics', 'Height')], col_level=1, var_name='Metric', value_name='Measure' ) print(melted_multi) ``` 这将会得到一个更灵活的结果集。 ---