本文介绍如何使用 pandas 的 melt() 方法，将 Excel 中以人员为列、日期为行的宽格式考勤数据（如 Bob/Joe/Jane 各列为标题），高效重塑为“Date–Name–On/Off”三列结构的长格式表格，适用于后续分析或可视化。
本文介绍如何使用 pandas 的 `melt()` 方法，将 excel 中以人员为列、日期为行的宽格式考勤数据（如 bob/joe/jane 各列为标题），高效重塑为“date–name–on/off”三列结构的长格式表格，适用于后续分析或可视化。
在数据分析中，原始数据常以宽格式（wide format）存储——即每个实体（如员工）占据一列，时间维度（如日期）作为行索引。但多数统计建模、时间序列分析或可视化库（如 seaborn、plotly）更倾向接收长格式（long format）：每行代表一个观测单元，关键变量拆分为独立字段。本文所涉场景正属典型：原始 Excel 表含列 "Date", "Bob", "Joe", "Jane"，需转换为 "Date", "Name", "On/Off" 三列结构，其中 "Name" 来源于原列名，"On/Off" 来源于对应单元格值。
实现该转换最简洁、可靠的方式是使用 pandas 的 pd.melt() 函数。其核心逻辑是：指定一个或多个“标识变量”（id_vars）保持不变（此处为 "Date"），其余所有列自动被“融化”（melting）为两列——一列存原列名（默认名为 "variable"），一列存对应值（默认名为 "value"）。随后通过 .rename() 映射列名即可完成目标结构。
以下是完整可执行代码示例：
import pandas as pd
# 1. 读取 Excel 数据（请替换为实际文件路径）
df = pd.read_excel("schedule.xlsx")
# 2. 执行重塑：以 Date 为标识列，其余列为待熔化列
df_long = pd.melt(
df,
id_vars="Date", # 保持不变的列（日期列）
var_name="Name", # 原列名将存入此列（替代默认 'variable'）
value_name="On/Off" # 原单元格值将存入此列（替代默认 'value'）
)
# 3. （可选）按 Date 和 Name 排序，使结果更易读
df_long = df_long.sort_values(["Date", "Name"]).reset_index(drop=True)
# 4. 导出为 CSV（不保存 pandas 默认索引）
df_long.to_csv("schedule_long.csv", index=False)⚠️ 注意事项：
- 确保 Excel 文件中
"Date"列名拼写完全一致（区分大小写），否则id_vars="Date"将报错； - 若 Excel 存在空行或合并单元格，
read_excel()可能解析异常，建议预先在 Excel 中清理数据； -
melt()不会修改原 DataFrame，返回新对象，因此务必赋值给变量（如df_long）； - 如需进一步处理（例如将
"On/Off"转为布尔型），可追加：df_long["On/Off"] = df_long["On/Off"].astype(bool)； - 替代方案如
df.stack().reset_index()也可实现类似效果，但melt()语义更清晰、参数更直观，是官方推荐的长格式转换首选方法。
经上述步骤，原始 3 行 × 4 列的宽表将精确转换为 9 行 × 3 列的长表，严格满足 "Date", "Name", "On/Off" 的结构要求，为后续按人聚合、按日统计或构建交互式排班看板奠定规范数据基础。
