本文介绍如何将非结构化、键值交错排列的 dataframe（如姓名/值成对分布在行内）转换为标准结构化表，通过 stack + 切片技巧快速提取键列与值列并重组为规范宽表。
本文介绍如何将非结构化、键值交错排列的 dataframe（如姓名/值成对分布在行内）转换为标准结构化表，通过 stack + 切片技巧快速提取键列与值列并重组为规范宽表。
在实际数据处理中，我们常遇到“伪表格”结构：原始数据并非标准的行列对齐格式，而是以键（key）和值（value）交替出现在同一行中的非结构化形式。例如如下 DataFrame：
import pandas as pd
df = pd.DataFrame([
['Name', 'khan', 'Salary', 5000],
['Age', 42, 'phone', '01783232575']
])目标是将其规整为标准宽表，其中列名为 ['Name', 'Age', 'Salary', 'Phone']，单行记录对应各字段取值。
核心思路是：利用 stack() 将二维结构压平为带层级索引的一维 Series，再按奇偶位置分离键与值。具体步骤如下：
-
压平并提取数组
df.stack().values将所有非空元素按列优先顺序展开为一维 NumPy 数组，结果为：array(['Name', 'khan', 'Salary', 5000, 'Age', '42', 'phone', '01783232575'], dtype=object)
可见键（
'Name','Salary','Age','phone'）位于偶数索引（0, 2, 4, 6），对应值（'khan',5000,42,'01783232575'）位于奇数索引（1, 3, 5, 7）。 -
构造新 DataFrame
直接切片赋值：arr = df.stack().values result = pd.DataFrame( data=[arr[1::2]], # 所有奇数位 → 值（作为数据行） columns=arr[::2] # 所有偶数位 → 键（作为列名） )输出为：
Name Salary Age phone 0 khan 5000 42 01783232575
⚠️ 注意事项：
- 若需严格控制列顺序（如要求
['Name', 'Age', 'Salary', 'Phone']），上述方法依赖原始数据中键的出现顺序。若原始表中键位置不固定（如'Age'出现在第 0 行），建议先显式定义列顺序并重排：desired_cols = ['Name', 'Age', 'Salary', 'phone'] result = result[desired_cols] # 自动对齐，缺失列将填充 NaN
-
phone列名未标准化为'Phone'，可在构造后统一重命名：result.rename(columns={'phone': 'Phone'}, inplace=True)。 - 若存在多行记录（即多个实体），该方法默认仅处理单组键值对；扩展场景需结合
groupby或分块处理。
该方案简洁高效，避免循环与冗长条件判断，充分发挥 pandas 向量化操作优势，适用于清洗 OCR 输出、日志解析或低质量 Excel 导入等典型非结构化数据场景。
