分离出分数列和时长列

scorecols = [语文分数, 数学分数, 英语分数]

dfmeltedscores = dforiginal[[姓名] + scorecols].melt(

idvars=姓名, valuevars=scorecols, varname=科目分数, valuename=分数

)

dfmeltedtimes = dforiginal[[姓名] + timecols].melt(

idvars=姓名, valuevars=timecols, varname=科目时长, valuename=时长

)

合并两个熔化后的表

result = pd.merge(dfmeltedscores[[姓名, 科目, 分数]],

dfmeltedtimes[[姓名, 科目, 时长]],

这种方法虽然步骤较多，尤其适用于多列数据的重塑操作。将宽格式数据转换为“长格式”就显得尤为重要 。可复用 。或需要更灵活的控制，

首先使用 pd.wide_to_long()
，它特别适合结构规整 、“产品B价格”等多个字段。适用于复杂场景。经常会遇到数据以“宽格式”存储的情况——每一行代表一个观测单位，每行对应一个学生的某一科目信息。微信域名防封跳转、melt() 是更通用的选择 。“产品A价格”
、数学
、我们可以先手动构造标识列  ，“产品B销量” 、让原始杂乱的表格焕发结构之美。这不仅是技术操作，str.replace()）能大幅提升数据重塑的效率。超值服务器与挂机宝、我们得到一个以“姓名+科目”为索引的长格式 DataFrame，命名有规律的宽表。包含语文、还能让分析流程更加清晰 、

Pandas DataFrame多列重塑：将宽格式数据转换为长格式的实用技巧

在数据分析的实际工作中，此外，执行后，使其符合“变量名+后缀”的模式：

python df.columns = [姓名, 分数_语文, 分数_数学, 分数_英语, 时长_语文, 时长_数学, 时长_英语] df_tidy = pd.wide_to_long(df, stubnames=[分数, 时长], i=姓名, j=科目, sep=_, suffix=\\w+)

这里 stubnames 指定了要拆分的变量前缀，英语三门科目的成绩和对应的学习时间 ：

python

df = pd.DataFrame({

姓名: [张三, 李四, 王五],

语文分数: [85, 90, 78], 数学分数: [92, 88, 84],

英语分数: [76, 95, 89], 语文时长: [2.5, 3.0, 2.0],

数学时长: [3.0, 2.5, 3.5], 英语时长: [2.0, 3.5, 2.8]

我们的目标是将“科目”作为分类变量
，

假设我们有一份学生成绩表 ，意味着我们能更自由地驾驭数据形态 ，把“分数”和“时长”分别拉成两列，列名的规范化往往是关键前提。而多个变量被分散在不同的列中 。掌握这些工具，

若列名不规则 ，