利用Python的pandas数据处理包将宽表变成窄表

Ada

发布时间：2026-10-16 | 5人浏览过

原创

本文介绍如何使用Python的pandas库将宽表转换为窄表。通过pd.melt函数重塑数据结构，并结合dropna处理空值，最终导出为Excel文件。该方法简化了数据分析流程，提升了办公效率。

前言

在数据处理工作中，经常需要将宽表格式转换为窄表格式，例如将多列数据合并为键值对形式。

编号

编码

单位1

单位2

单位3

单位4

...

编码1...

数量...

...

编码2...

数量...

...

然而，宽表形式在查看和分析数据时往往不够直观和方便，通常需要将数据转换为窄表形式以便进一步处理。

编码	单位	数量
编码1	单位1	数量1
编码2	单位2	数量2

编码3	单位3	数量3
......	......	......

尝试使用Excel中的lookup函数进行填充较为繁琐且无法直接实现该功能。鉴于正在学习Python，查阅相关资料后，发现可以利用Python强大的数据处理功能来实现这一需求。

pandas简介：pandas由panel data和data analysis组合而成，最初作为金融数据分析工具开发，为时间序列分析提供了良好支持。同时，它能灵活处理缺失数据，为数据分析操作提供了更为便捷的手段。

接下来直接展示Jupyter Notebook中的代码实现过程。

1. 引入包

导入处理分析所需的库，这一步非常简单。

import pandas as pd
import numpy as np
import os

2. 加载数据并显示。这是常规操作。

data=pd.read_excel('test.xls')
data.head()

测试数据存储在test.xls文件中。文件存储路径无需过多考虑，只需在Jupyter中将原始文件上传至根目录即可。

显示结果如图所示。

3. 关键操作：将宽表转换为窄表

pd.set_option('display.max_rows', None)
df=pd.melt(data,id_vars="结算编码",var_name="单位",value_name="数量")
df.head()

显示结果如下。可以看到数据显示不全且存在空值，需要进一步进行处理操作。

4. 对空值进行处理

pd.set_option('display.max_rows', None)
#删除所有值为空的行
df.dropna(axis=0, how='any', thresh=None, subset=None, inplace=False) 
#how字段可选有any和all,any表示只要有空值出现就删除，all表示全部为空值才删除；inplace字段表示是否替换掉原本的数据
#删除所有值为空的列
df.dropna(axis="columns",how="all",inplace=False)
df.dropna()

处理后的结果显示数据齐全，并已过滤掉空值。

5. 导出存储到Excel中

file_dir = 'D:/program/write/'
exists = os.path.exists(file_dir)
 
if not exists:
 
    os.makedirs(file_dir)
df["结算编码"]  = df["结算编码"].astype(str) #设置单元格格式
df.dropna().to_excel(os.path.join(file_dir,"result3.xlsx"), sheet_name="处理结果")

处理后的存储结果如下。