大家好
最近看到群友们在讨论一个宽表变长表的问题，其实这类需求也很常见于我们日常的数据处理中。综合群友们的智慧，今天我们就来看看excel与python如何实现这个需求吧！
目录：
- excel逆透视技巧Pandas逆透视技巧
excel做逆透视操作是需要用到Power Query。
第一步：选中数据，然后在菜单栏-数据-点击来自表格/区域
选中数据-来自表格
第二步：创建表的时候，根据实际情况选中是否包含标题（本例不包含）
创建表
第三步：点击上述确认按钮后会出现Power Query编辑器
Power Query编辑器
第四步：按照control，选中全部需要操作的列（或者shift连续取列），再到转换-点击逆透视列
逆透视列
第五步：可以看到出现了我们需要的结果
逆透视结果
第六步：点击左上角文件，选中关闭并上载
上载数据
第七步：我们发现，在原始表出现了 表1的页签，里面正是我们期望的逆透视结果，搞定！（删掉无关列属性即可）
最终结果数据
2. Pandas逆透视技巧我们要做的是透视的逆向操作，也就是逆透视，pandas自然也提供了非常方便的函数方法，让我们来一起看看吧。
隆重推荐 melt函数方法：
df.melt(
id_vars=None,
value_vars=None,
var_name=None,
value_name='value',
col_level: 'Level | None' = None,
ignore_index: 'bool' = True,
) -> 'Dataframe'
Docstring:
Unpivot a Dataframe from wide to long format, optionally leaving identifiers set.
id_vars ：tuple，list或ndarray（可选），用作标识变量的列
value_vars：tuple，列表或ndarray，可选，要取消透视的列。如果未指定，则使用未设置为id_vars的所有列
var_name：scalar，用于“变量”列的名称。如果为None，则使用frame.columns.name或“variable”
value_name：scalar，默认为“ value”，用于“ value”列的名称
col_level：int或str，可选，如果列是MultiIndex，则使用此级别来融化
就不举例了，直接拿案例数据开搞！
import pandas as pd # 读取数据 df = pd.read_excel(r'0927测试数据.xlsx', header=None) df
数据预览
# 直接逆透视
(
df.melt(id_vars=df.columns[:2], # 标识变量的列
value_vars=df.columns[2:], # 注释掉结果一样
ignore_index=True, # 忽略索引
)
.sort_values(by=[0,1]) # 排序
.dropna() # 删除含空值的行
)
结果
是不是很方便，直接一个函数即可搞定，感谢 群成员 1px 提供的思路。
这种解决方案，笔者在之前给朋友处理过，不过看到这题的时候我居然用的是另外一种更复杂的解决方法，简直秀逗了。
我们也看看这种更麻烦的解决方案吧：
核心是explode爆炸列
data = df.iloc[:,:2].copy() data
初始化data
# 辅助列用于存储店信息列表 data['辅助列'] = list(df.loc[:,2:].values) data
辅助列存储店信息列表
# 爆炸列完成需求 data.explode(column='辅助列').dropna()
爆炸列完成需求
以上就是本次的全部内容，围绕着关于宽表转长表，也就是逆透视的操作。其实excel和pandas都提供了很简单直接的处理方法，大家熟悉操作后自然就能轻车熟路，高效解决问题啦。
不过，我们也可以通过其他一些思路来锻炼自己的逻辑思维能力，也许能更强化自己对复杂问题的应对水平哦！
