本文介绍使用 pandas 的 melt、stack 和 explode 等方法，将 aka、lqaka 等辅助名称列中非空值“下移”为独立行，同时将原行保留为 primary 类型，并动态设置 name type 字段为对应列名（如 aka/lqaka），其他列（如 other）仅在 primary 行保留值。
本文介绍使用 pandas 的 melt、stack 和 explode 等方法，将 aka、lqaka 等辅助名称列中非空值“下移”为独立行，同时将原行保留为 primary 类型，并动态设置 name type 字段为对应列名（如 aka/lqaka），其他列（如 other）仅在 primary 行保留值。
在数据清洗与标准化场景中，常需将宽表中多个“别名类”列（如 AKA、LQAKA）展开为长格式——即每个非空别名生成一条新记录，紧随其所属的主记录（Primary）之后，且新记录的 Name Type 自动设为对应列名，而其他辅助列（如 Other）仅保留在主行中，别名行留空。这种结构对后续分组、排序或导入下游系统（如 CRM 或图谱数据库）至关重要。
以下提供三种稳健、可扩展的实现方案，均基于 pandas 1.5+，兼顾简洁性与泛化能力。
✅ 方案一：melt + dropna + 后处理（推荐，逻辑清晰）
import pandas as pd
data = {
'Name Type': ["Primary", "Primary", "Primary"],
'Full Name': ["John Snow", "Daenerys Targaryen", "Brienne Tarth"],
'AKA': ["Aegon Targaryen", None, None],
'LQAKA': ["The Bastard of Winterfell", "Mother of Dragons", None],
'Other': ["Info", "Info", "Info"]
}
df = pd.DataFrame(data)
# 步骤1：以固定列（Name Type, Other）为标识，熔化其余列
out = (df.melt(['Name Type', 'Other'], ignore_index=False)
.dropna(subset='value') # 移除 value 为 None 的行
.sort_index(kind='stable', ignore_index=True) # 按原始顺序稳定排序
.rename(columns={'value': 'Full Name'}) # 统一名称字段
)
# 步骤2：识别非 Full Name 行（即来自 AKA/LQAKA 的行），重赋 Name Type 并清空 Other
mask = out['variable'] != 'Full Name'
out.loc[mask, 'Name Type'] = out.pop('variable') # 将列名转为 Name Type
out.loc[mask, 'Other'] = '' # 清空辅助列
print(out)输出：
Name Type Other Full Name 0 Primary Info John Snow 1 AKA Aegon Targaryen 2 LQAKA The Bastard of Winterfell 3 Primary Info Daenerys Targaryen 4 LQAKA Mother of Dragons 5 Primary Info Brienne Tarth
✅ 优势：语义明确，易于调试；支持任意数量的“别名列”，只需调整 melt 的 id_vars 参数。
✅ 方案二：stack（更简洁，自动跳过 NaN）
out = (df.set_index(['Name Type', 'Other'])
.stack() # 自动忽略 NaN，返回 MultiIndex Series
.reset_index(name='Full Name')
.rename(columns={'level_2': 'Name Type'})
)
# 将原 Full Name 行的 Name Type 保持为 Primary，其余设为列名
mask = out['Name Type'] != 'Full Name'
out.loc[mask, 'Other'] = ''
# 注意：此处需手动恢复 Primary 行的 Name Type（因 stack 会覆盖）
out.loc[~mask, 'Name Type'] = 'Primary'
# 重排列顺序确保一致性
out = out[['Name Type', 'Full Name', 'Other']]该方式代码更短，但需额外处理 Name Type 的原始值还原，适合列结构固定且无嵌套需求的场景。
⚠️ 扩展：处理多列与嵌套列表（如 AKA 为 list）
若 AKA 或 LQAKA 列含列表（如 ["Aegon Targaryen", "Lord Snow"]），需增加 .explode()：
# 假设 AKA/LQAKA 可能为 list 或 scalar
cols_to_melt = df.columns.difference(['Full Name']) # 动态识别所有非 Full Name 列
out = (df.melt(['Name Type', 'Other'], ignore_index=False)
.dropna(subset='value')
.sort_index(kind='stable', ignore_index=True)
.rename(columns={'value': 'Full Name'})
.explode('Full Name', ignore_index=True) # 展开列表项为多行
)
mask = out['variable'] != 'Full Name'
out.loc[mask, 'Name Type'] = out.pop('variable')
out.loc[mask, ['Other']] = ''
out = out[['Name Type', 'Full Name', 'Other']]? 关键注意事项
- 索引稳定性：sort_index(kind='stable') 确保原始行序不被破坏，避免 Primary 与别名错位；
- 列名保留：id_vars 中应包含所有需在 Primary 行完整保留的列（如 Other, Other2 等），其余列为待熔化列；
- 空值处理：dropna(subset='value') 是安全前提，务必确认 None/np.nan 已统一；
- 性能提示：对百万级数据，优先用 stack（底层 C 优化）；需调试时选 melt 更直观。
最终结果严格满足需求：每条 Primary 记录后紧跟其非空别名行，Name Type 准确映射来源列，辅助列仅 Primary 行填充，结构规整、语义清晰，可直接用于报表或 ETL 流程。
