一、按分隔符拆一列

造一列「张伟-13800000001」，想拆成姓名和电话两列。 df['联系方式'].str.split('-', expand=True) 直接给出两列。

expand=True 是关键。不给它，拿到的是「每行一个列表」。 给了它，才直接拆成多列。这一步忘了，后面所有列操作都会失败。 拆列 90% 的错都在这个参数上，报错信息还常常看不出是它。

二、拆完原列要不要删

拆完原列还在，要删就 drop(columns=['联系方式'])。 不删也不影响计算，但导出去的时候会多一列中间产物。 拆列通常顺手删原列，除非原列还有别的解析方式要用。

拆出来的列名默认是 0、1、2。想直接命名，就整体赋给一个列名列表。

三、长表转宽表：pivot

长表是「姓名、科目、分数」三列 30 行；宽表是「姓名」一行、三个科目三列。 long.pivot(index='姓名', columns='科目', values='分数')，30 行变 10 行 3 列。

三个参数缺一不可：index 是行、columns 是新列名、values 是填进去的数。 新列的顺序按科目名排序，不是原表出现的顺序。上面是数学、英语、语文。 想要指定顺序，转完再按列表挑列，或者用 reindex(columns=[...])。

四、unstack：把行标签的一层搬到列上

先 set_index(['姓名','科目']) 造两级行标签，再 .unstack()。 结果形状 (10, 3)，和 pivot 一模一样。 区别在入口：pivot 吃三列，unstack 只吃「多级行标签」。

手上是原始三列数据就用 pivot；已经有两列当索引就用 unstack。

五、反方向：melt 拧回长表

wide.reset_index().melt(id_vars='姓名', var_name='科目', value_name='分数')。 拧回来是 30 行——和原来的长表一样长，一行不多一行不少。 宽长互转是数据整理的日常：拿到的是宽表，画图要长表，存库又要长表。

pivot 和 melt 是一对，一个拧紧一个拧松，来回两遍应该回到原样。

六、动手 Demo：一列拆多列与行列转换

先造一列「姓名-电话」拆成两列，再用 30 行长表演 pivot 和 unstack。 最后 melt 拧回来，核对行数是否复原。

import pandas as pd

DF = pd.DataFrame({
    "姓名": ["张伟", "王芳", "李娜"],
    "联系方式": ["张伟-13800000001", "王芳-13800000002", "李娜-13800000003"],
})
DF[ ["联系人", "电话"]] = DF["联系方式"].str.split("-", expand=True)
print(DF.to_string(index=False))

N = ["张伟", "王芳", "李娜", "刘洋"]
LONG = pd.DataFrame({
    "姓名": N * 3,
    "科目": ["语文"] * 4 + ["数学"] * 4 + ["英语"] * 4,
    "分数": [88, 92, 75, 85, 92, 95, 68, 88, 85, 90, 80, 79],
})

W = LONG.pivot(index="姓名", columns="科目", values="分数")
print("pivot 后 %s" % (W.shape,))

S = LONG.set_index(["姓名", "科目"])["分数"]
print("unstack 后 %s" % (S.unstack().shape,))

M = W.reset_index().melt(id_vars="姓名", var_name="科目", value_name="分数")
print("melt 回来 %d 行" % len(M))

实跑输出：

--------------------------------------------------------------------
一列拆多列与行列转换
--------------------------------------------------------------------

  ① 按分隔符拆一列
  --------------------------------------------------------------------

| 行 | 姓名 | 联系方式 |
|---|---:|---:|
| 0 | 张伟 | 张伟-13800000001 |
| 1 | 王芳 | 王芳-13800000002 |
| 2 | 李娜 | 李娜-13800000003 |

  造了一列「姓名-电话」，用 str.split 拆成两列。

| 行 | 联系方式 | 联系人 | 电话 |
|---|---:|---:|---:|
| 0 | 张伟-13800000001 | 张伟 | 13800000001 |
| 1 | 王芳-13800000002 | 王芳 | 13800000002 |
| 2 | 李娜-13800000003 | 李娜 | 13800000003 |

  expand=True 是关键：不给它，拿到的是列表；给了它，直接拆成多列。
  ! expand=True 这一步忘了，后面所有列操作都会失败。拆列 90% 的错在这。

  ② 拆分之后原列要不要删
  --------------------------------------------------------------------
  拆完原列还在，要删就 drop(columns=['联系方式'])。
  不删也不影响计算，但导出去的时候会多一列中间产物。
  ! 拆列通常顺手删原列，除非原列还有别的解析方式要用。

  ③ 长表转宽表：pivot
  --------------------------------------------------------------------

| 行 | 姓名 | 科目 | 分数 |
|---|---:|---:|---:|
| 0 | 张伟 | 语文 | 88 |
| 1 | 王芳 | 语文 | 92 |
| 2 | 李娜 | 语文 | 75 |
| 3 | 刘洋 | 语文 | 85 |


| 姓名 | 数学 | 英语 | 语文 |
|---|---:|---:|---:|
| 刘洋 | 88 | 79 | 85 |
| 吴霞 | 90 | 87 | 79 |
| 周涛 | 86 | 84 | 83 |

  pivot 把「科目」这一列的值变成新列，行是姓名。30 行的长表变成 10 行 3 列。
  三个参数缺一不可：index 是行、columns 是新列名、values 是填进去的数。
  ! 长表适合存，宽表适合看。数据库里存长表，报表上给人看宽表。

  ④ unstack：把行标签的一层搬到列上
  --------------------------------------------------------------------
  unstack 之后形状是 (10, 3)，和 pivot 的结果一样。
  区别在入口：pivot 吃三列，unstack 只吃「多级行标签」。
  ! 已有两列当索引就用 unstack，手上有三列原始数据就用 pivot。

  ⑤ 反方向：宽表拧回长表
  --------------------------------------------------------------------
  melt 把宽表拧回长表，pivot 的逆操作。
  拧回来是 30 行——和原来的长表一样长。
  ! 宽长互转是数据整理的日常：拿到的是宽表，画图要长表，存库又要长表。

str.split('-', expand=True) 少了 expand 就返回列表，赋值给两列会直接报错。 pivot 要求「行标签 + 列名」的组合唯一。同一人同一科目有两行会报 ValueError。

30 秒实验

1. 把 expand=True 去掉，看报什么错。
2. 给 LONG 加一行重复的「张伟、语文」，再 pivot 一次。
3. 想一想：为什么画图前要把宽表拧成长表？

常见误区

1. split 忘了 expand=True：拿到列表，后面全崩。
2. pivot 遇到重复组合：报 ValueError，得先 groupby 或去重。
3. 以为 pivot 的列按原顺序：它按名字排序，要指定得 reindex。
4. 拆完不删原列：导出的表里多一列没人看得懂的中间产物。

表整理成想要的样子了。下一篇反过来：把表交出去——转字典、转列表、转网页。

• ☐ （本篇完，下一篇 4.11 DataFrame 与字典、列表、元组、网页互转）

相关笔记

• 数据移位：shift 与升降比较
• DataFrame 与字典、列表、元组、网页互转
• groupby：按类聚起来算
• 📊 Python 数据分析 · 索引