本文介绍如何使用 Pandas 的 melt() 方法，将 Excel 中以人员为列标题的宽格式排班表（Date、Bob、Joe、Jane），高效重塑为标准长格式（Date、Name、On/Off），适用于后续分析、可视化或导入数据库。
本文介绍如何使用 pandas 的 `melt()` 方法，将 excel 中以人员为列标题的宽格式排班表（date、bob、joe、jane），高效重塑为标准长格式（date、name、on/off），适用于后续分析、可视化或导入数据库。
在实际业务场景中（如人力资源排班、值班轮岗或考勤统计），原始数据常以“人员为列、日期为行”的宽格式存储——这便于人工查阅，却不利于数据分析与建模。Pandas 提供了专为结构化数据重塑设计的 pd.melt() 函数，可一键完成从宽到长的标准化转换。
✅ 正确转换步骤
假设您的 Excel 文件名为 schedule.xlsx，且首行为列标题（Date、Bob、Joe、Jane），请按以下流程操作：
import pandas as pd
# 1. 读取 Excel 数据
df = pd.read_excel("schedule.xlsx")
# 2. 执行重塑：保留 'Date' 为标识列，将其他列（Bob/Joe/Jane）“融化”为两列
df_long = pd.melt(
df,
id_vars="Date", # 不参与变形的列（即“主键”列）
var_name="Name", # 原列名将作为新列的值，命名为 'Name'
value_name="On/Off" # 原单元格数值将统一放入此列
)
# 3. 可选：重置索引并保存结果
df_long = df_long.reset_index(drop=True)
df_long.to_csv("schedule_long.csv", index=False)
执行后，df_long 将严格匹配您期望的输出结构：
| Date | Name | On/Off |
|----------|------|--------|
| 1/1/2025 | Bob | 0 |
| 1/2/2025 | Bob | 1 |
| 1/3/2025 | Bob | 1 |
| 1/1/2025 | Joe | 0 |
| ... | ... | ... |
⚠️ 关键注意事项
id_vars必须是字符串（单列）或字符串列表（多列），如需同时保留Date和Shift，可写为id_vars=["Date", "Shift"]；- 若 Excel 表含空行或合并单元格，请先用
pd.read_excel(..., skiprows=0)显式指定起始行，并检查df.head()确认数据结构；var_name和value_name参数直接定义新列名，无需额外.rename()—— 更简洁、更不易出错；melt()是不可逆操作，建议在转换前备份原始 DataFrame（如df_original = df.copy()）。
? 进阶提示：处理多标识列或缺失值
若您的原始表还包含“班次类型”“部门”等辅助维度列，只需将其加入 id_vars 即可同步保留：
df_long = pd.melt(df, id_vars=["Date", "Department"], var_name="Name", value_name="On/Off")
若存在空值（如某日未安排 Jane），melt() 默认保留 NaN。如需过滤掉无效记录，可追加：
df_long = df_long.dropna(subset=["On/Off"])
通过这一标准化重塑，您的排班数据即可无缝接入时间序列分析、人员负荷统计、或 Power BI/Tableau 等可视化工具——真正实现“一次清洗，多处复用”。
