本文介绍使用 pandas.melt() 配合条件筛选，将 ID 和日期列固定、其余数值列按列名与 ID 值动态对齐，堆叠为单一 value 列的专业方法。
本文介绍使用 `pandas.melt()` 配合条件筛选，将 id 和日期列固定、其余数值列按列名与 id 值动态对齐，堆叠为单一 value 列的专业方法。
在数据处理中，常遇到宽表结构：前几列为标识字段（如 id 和 date），后续多列为以 ID 命名的指标列（如列名 '1', '2', '3'），每行需从“对应 ID 名称的列”中提取值。目标是将这些列“逻辑折叠”为一列 value，而非简单垂直拼接——关键在于按行匹配：第 i 行的 value 应取自列名为 df.iloc[i]['id'] 的那一列。
这无法通过 stack() 直接实现（因其仅按索引层级展开，不支持列名与某列值的动态关联），而 melt() 是更合适的基础操作。完整流程如下：
-
使用
melt()展开所有非标识列，指定id_vars=['id', 'date']保持这两列不变，var_name将原列名转为新列（如'id2'）； -
添加条件过滤：只保留
id == id2.astype(int)的行（即当前行的id值恰好等于被熔化的列名）； -
清理冗余列：删除临时生成的
id2列，得到最终三列结果。
以下是可直接运行的示例代码：
import pandas as pd
import numpy as np
# 构造原始 DataFrame
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，将列名转为变量
melted = df.melt(id_vars=['id', 'date'], var_name='id2', value_name='value')
# 步骤 2：筛选 —— 仅保留 id 与列名（转为整数）相等的行
result = melted[melted['id'] == melted['id2'].astype(int)].drop('id2', axis=1).reset_index(drop=True)
print(result)
✅ 输出结果严格匹配预期：每行 value 来自原表中列名等于该行 id 的列，空值（NaN）也被正确保留。
⚠️ 注意事项：
- 列名必须为可转为整数的字符串（如
'1','2','10'），若含前导零或非数字字符，需先清洗var_name； - 若存在缺失列（如
id=4但无'4'列），对应行将被自动过滤掉，建议提前校验列名覆盖范围； - 性能提示：对于超大宽表（数百列），
melt + boolean indexing仍高效；避免使用apply(lambda row: row[str(row['id'])])等逐行操作。
该方法逻辑清晰、可读性强，是处理“ID驱动列选择”类宽表规整任务的标准实践。
