本文介绍如何对 dataframe 中两个等长列表列（如类别与对应分值）进行元素级配对，通过 explode 展开后透视聚合，高效计算每类的分值总和、正/负值频次等多维度统计指标。
本文介绍如何对 dataframe 中两个等长列表列（如类别与对应分值）进行元素级配对，通过 explode 展开后透视聚合，高效计算每类的分值总和、正/负值频次等多维度统计指标。
在实际数据分析中，常遇到将“类别列表”与“数值列表”按位置一一对应的需求（例如：每个商品有多个属性标签及其对应评分）。Pandas 原生不支持跨列同步展开列表，但可通过 explode() 的多列扩展能力（需 Pandas ≥ 1.3.0）结合 pivot_table() 实现优雅解耦。
以下为完整实现流程：
1. 构造示例数据
import pandas as pd
cat = [
['speed', 'health', 'strength', 'health'],
['strength', 'speed', 'speed'],
['strength', 'speed', 'health', 'speed']
]
pts = [
[1, 2, 1.5, -1],
[2, -1.5, 1.5],
[-1, 2, 0, 1.5]
]
df = pd.DataFrame({'cat': cat, 'pts': pts})2. 同步展开两列并构建宽表 关键在于使用 explode(["cat", "pts"]) —— 它保证两列以相同索引顺序逐元素展开，确保类别与分值严格对齐：
# 同步展开，生成长格式记录
tmp = df.explode(['cat', 'pts'])
# 自定义聚合函数：统计正/负值个数
def count_pos(x): return (x > 0).sum()
def count_neg(x): return (x < 0).sum()
# 多函数透视：按原始行索引分组，按类别列展开，对 pts 应用 sum/pos/neg
pivot = tmp.pivot_table(
index=tmp.index,
columns='cat',
values='pts',
aggfunc={'sum': 'sum', 'pos': count_pos, 'neg': count_neg}
)
# 重命名列：格式为 "{category}_{agg}"
pivot.columns = [f'{col[1]}_{col[0]}' for col in pivot.columns]3. 合并回原表
result = pd.concat([df, pivot], axis=1) print(result)
✅ 输出结果与预期一致：每类生成 xxx_sum、xxx_pos、xxx_neg 三列，缺失类别自动填充 NaN（如第1行无 health 记录，对应列值为 NaN）。
⚠️ 注意事项：
- explode(['col1', 'col2']) 要求两列长度严格一致（否则抛出 ValueError），建议预先校验：df.apply(lambda r: len(r['cat']) == len(r['pts']), axis=1).all()
- 若需保留零计数（如 health_pos=0 而非 NaN），可在 pivot_table 中添加 fill_value=0
- 对于超大规模数据，explode 可能引发内存膨胀，可考虑分块处理或使用 itertools.chain + pd.concat 手动展开优化性能。
该方法兼具可读性与扩展性，轻松支持新增统计维度（如均值、标准差、最大值等），是处理嵌套列表关联分析的标准范式。
