本文介绍使用 pandas.melt() 配合布尔索引，将编号列（如 '1', '2', '3'）智能堆叠为一列 value：仅保留列名与 id 值相等的单元格，其余丢弃，完美实现“按 ID 动态取值”的宽转长操作。
本文介绍使用 `pandas.melt()` 配合布尔索引，将编号列（如 '1', '2', '3'）智能堆叠为一列 `value`：仅保留列名与 `id` 值相等的单元格，其余丢弃，完美实现“按 id 动态取值”的宽转长操作。
在数据处理中，常遇到一种特殊宽表结构：前两列为标识字段（如 id 和 date），后续多列为以数字命名的“ID 映射列”（如 '1', '2', '3', …, '100'），每行中仅对应其 id 列号的那列有有效值，其余列为空或冗余。目标是将这些编号列“折叠”为单一 value 列，且确保每个 (id, date) 组合只取其 id 所指列的值。
直接调用 stack() 或简单 melt() 无法满足该逻辑——因为我们需要的是条件性提取，而非无差别堆叠。正确解法分三步：
-
melt()宽转长：以['id', 'date']为标识变量，将所有编号列（var_name='id2'）转为行，生成中间表，含id,date,id2（列名字符串）,value四列； -
匹配过滤：利用
df.id == id2.astype(int)筛出id与列名数值一致的行（如id=2的行只保留原'2'列的值）； -
清理输出：删除临时列
id2，得到最终三列结果。
以下是完整可运行示例：
import pandas as pd
import numpy as np
# 构造示例数据（注意：列名 '1','2','3' 为字符串）
df = pd.DataFrame({
'id': [1, 1, 1, 2, 2, 2, 3, 3, 3],
'date': ['1/1/00', '1/2/00', '1/3/00'] * 3,
'1': [np.nan, 100.0, np.nan] * 3,
'2': [200, 200, 200] * 3,
'3': [300, 300, 300] * 3
})
# 步骤1：熔化，将编号列转为变量
melted = df.melt(id_vars=['id', 'date'], var_name='id2', value_name='value')
# 步骤2：筛选 id 与列名数值相等的行（注意列名是字符串，需转 int）
mask = melted['id'] == melted['id2'].astype(int)
result = melted[mask].drop(columns='id2').reset_index(drop=True)
print(result)
✅ 输出符合预期：
id date value 0 1 1/1/00 NaN 1 1 1/2/00 100.0 2 1 1/3/00 NaN 3 2 1/1/00 200.0 4 2 1/2/00 200.0 5 2 1/3/00 200.0 6 3 1/1/00 300.0 7 3 1/2/00 300.0 8 3 1/3/00 300.0
⚠️ 关键注意事项：
- 编号列名必须为字符串类型（如
'1','2'），若为整数列名（1,2），melt()仍可工作，但astype(int)可省略； - 若存在缺失列名（如
id=4但无'4'列），对应行将被自动过滤掉； - 空值（
NaN）会被自然保留，无需额外处理； - 列名数量巨大时（如
'1'到'500'），该方法依然高效，无需循环。
此方案兼具可读性与健壮性，是处理“ID 驱动列映射”类宽表的标准范式。
