本文介绍如何基于原始长格式数据（含 obj_id、属性名、属性值三列），通过 pivot 等核心方法快速生成指定属性列的宽格式 dataframe，避免低效循环，兼顾可扩展性与类型安全。
在数据分析中，常遇到数据库导出的「长格式」（long-form）结构：同一实体（如 obj_id）的多个属性被拆分为多行记录（例如 Column B 存属性名，Column C 存对应值）。而后续建模或可视化往往需要「宽格式」（wide-form）——即每个属性作为独立列，每行代表一个实体。手动遍历 + 条件筛选（如原问题中的 apply + iterrows）不仅性能差、易出错，还难以维护。
Pandas 提供了更优雅、向量化且高效的解决方案：pivot 方法。它专为这类「行转列」场景设计，无需显式循环，代码简洁且执行迅速。
✅ 推荐做法：先过滤再 pivot（高效且可控）
假设原始 DataFrame df 如下：
import pandas as pd
df = pd.DataFrame({
'obj_id': [1, 1, 1, 2],
'Column B': ['weight', 'height', 'eye_color', 'weight'],
'Column C': [150, 5.8, 'blue', 160]
})要提取所有 obj_id 对应的 weight 值并构造成新表，推荐使用链式操作：
out = (df.query('`Column B` == "weight"')
.pivot(index='obj_id', columns='Column B', values='Column C')
.astype({'weight': int}) # 可选：显式转类型（如需整数）
.reset_index()
.rename_axis(columns=None)
)
print(out)输出：
obj_id weight 0 1 150 1 2 160
? 关键说明： query() 先精准筛选目标属性行，大幅减少 pivot 处理量； pivot(index=..., columns=..., values=...) 将 obj_id 设为行索引，Column B 的唯一值（此处仅 "weight"）自动成为列名，Column C 填入对应值； rename_axis(columns=None) 移除列索引名称（避免顶部出现 Column B 标签）； reset_index() 将 obj_id 从索引转为普通列，符合常规 DataFrame 结构。
? 扩展支持多属性：只需修改过滤条件
若还需同时提取 height、eye_color 等多个属性，只需将目标属性名加入列表，并用 isin() 过滤：
keep_attrs = ['weight', 'height', 'eye_color']
out = (df.loc[df['Column B'].isin(keep_attrs)]
.pivot(index='obj_id', columns='Column B', values='Column C')
.reset_index()
.rename_axis(columns=None)
)结果将自动创建 weight、height、eye_color 三列，缺失值以 NaN 填充（如 obj_id=2 无 height 记录）。
⚠️ 注意事项与最佳实践
- 避免先 pivot 后筛选：若直接对全量数据调用 pivot 再取子集（如 df.pivot(...)[['weight']]），会生成一个极宽的中间 DataFrame（含所有 Column B 值作为列），内存和性能开销显著增加，尤其当属性种类达数百时。
- 处理重复键：若某 obj_id + Column B 组合存在多条记录，pivot 会报错 ValueError: Index contains duplicate entries。此时应先聚合（如 groupby(...).first() 或 .mean()）再 pivot。
- 空值与类型统一：pivot 后各列 dtype 可能为 object（因混合类型）。建议用 astype() 显式转换（如 int、float），或使用 pd.to_numeric(..., errors='coerce') 安全转换。
- 替代方案提示：对于更复杂的透视需求（如多值聚合、多级索引），可考虑 pivot_table（支持 aggfunc）或 set_index().unstack()，但本场景 pivot 最简明高效。
掌握这一模式，你便能轻松将任意数量的「属性-值」对，从长格式数据库表中批量、可靠地重构为面向分析的宽格式 DataFrame。
