本文介绍如何利用 pandas 的 pivot() 方法，基于数据框中已有的列（如时间点和样本编号）将其从长格式高效转换为宽格式，实现行列角色互换与结构重塑。
本文介绍如何利用 pandas 的 `pivot()` 方法，基于数据框中已有的列（如时间点和样本编号）将其从长格式高效转换为宽格式，实现行列角色互换与结构重塑。
在数据分析中，常需将“长格式”（long format）数据重构成“宽格式”（wide format），尤其在处理分组观测（如不同时间点下的多个样本测量值）时。Pandas 提供了简洁高效的 pivot() 方法，无需手动初始化空 DataFrame 或循环填充，即可完成结构转换。
给定原始数据框：
import pandas as pd
data = [
["6.9", "T000", "1"],
["3.45", "T000", "2"],
["0.159", "T000", "3"],
["2.933", "T024", "4"],
["2.9", "T024", "5"],
["1.88", "T024", "6"]
]
df_data = pd.DataFrame(data, columns=["Value", "Time Point", "Sample Number"])目标是：以 Time Point 作为新索引（行），Sample Number 作为新列名（列），Value 作为填充值，缺失位置自动设为 NaN。
✅ 正确做法是直接调用：
df_pivoted = df_data.pivot(
index="Time Point",
columns="Sample Number",
values="Value"
)执行后得到：
Sample Number 1 2 3 4 5 6 Time Point T000 6.9 3.45 0.159 NaN NaN NaN T024 NaN NaN NaN 2.933 2.9 1.88
⚠️ 注意事项：
- pivot() 要求 (index, columns) 组合必须唯一；若存在重复组合（例如同一 Time Point 和 Sample Number 出现多次），会抛出 ValueError: Index contains duplicate entries。此时应先用 pivot_table() 并指定聚合函数（如 aggfunc='first' 或 'mean'）。
- 列名和索引默认保留原始 dtype；若 Sample Number 是字符串型数字（如 "1"），结果列也将是字符串；如需整数列，可在 pivot 后执行 df_pivoted.columns = df_pivoted.columns.astype(int)。
- pivot() 不支持多级索引或重复值的自动降维；更复杂场景可考虑 set_index().unstack() 链式操作，但 pivot 是最直观、语义最清晰的选择。
总结：df.pivot(index=..., columns=..., values=...) 是重构自身结构的首选方法——代码简短、意图明确、性能优异。掌握它，能显著提升数据整形效率，避免冗余的手动构造逻辑。
