本文详解如何使用 pandas 的 set_index + stack/unstack 组合，精准实现按 id 和 type 分组、将指标列转为行、季度列转为宽表列的复杂重塑需求，解决传统 melt + pivot_table 易丢失数据的问题。
在处理多维时间序列结构化数据时，常需将“指标变量”（如 growth, re, nondd_re 等）从列转为行（即长格式），同时将时间维度（如 qtr）展开为列头（即宽格式），最终形成类似交叉表（crosstab）的二维布局，并保留分组标识（如 ID, type）。若直接使用 melt + pivot_table，容易因索引未对齐或聚合逻辑干扰导致值缺失或重复——这正是原始代码中“missing values”的根源。
正确做法是利用 pandas 内置的层级索引重塑机制：先用 set_index 构建多级索引，再通过 stack() 将指标列自然压入行索引，最后用 unstack("qtr") 将季度维度提升为列。该流程无显式聚合，完全保真原始数据映射关系。
以下是完整可运行示例：
import pandas as pd
# 构造原始数据
df = pd.DataFrame({
"year": [2024]*8,
"qtr": ["2024Q1", "2024Q2"]*4,
"ID": ["NY", "NY", "NY", "NY", "CA", "CA", "CA", "CA"],
"type": ["aa", "aa", "dd", "dd", "aa", "aa", "dd", "dd"],
"growth": [3.18, 2.1, 6.26, 4.13, 0, 0.03, 0, 0.06],
"re": [1.14, 1.14, 3.07, 3.07, 0, 0, 0, 0],
"nondd_re": [0, 0, 3.07, 3.07, 0, 0, 0, 0],
"se_re": [0, 0, 0, 0, 0, 0, 0, 0],
"or": [0, 0, 0, 0, 0, 0, 0, 0]
})
# ✅ 推荐方案：set_index → stack → unstack → reset_index
out = (
df.set_index(["year", "qtr", "ID", "type"]) # 固定分组维度为索引
.stack() # 将 growth/re/nondd_re/se_re/or 压入新索引层（自动命名为 'level_3'）
.unstack("qtr") # 将 qtr 索引层展开为列（列名为 2024Q1, 2024Q2）
.reset_index() # 将 year/ID/type/level_3 转为普通列
.rename(columns={"level_3": "type2"}) # 重命名指标列为更清晰的 'type2'
.drop(columns=["year"]) # 可选：移除冗余的 year 列（因所有值相同）
.reindex(columns=["ID", "type", "type2", "2024Q1", "2024Q2"]) # 按目标顺序排列列
)
print(out)输出结果严格匹配预期结构（已去重、无缺失、行列对齐）：
ID type type2 2024Q1 2024Q2 0 CA aa growth 0.00 0.03 1 CA aa re 0.00 0.00 2 CA aa nondd_re 0.00 0.00 3 CA aa se_re 0.00 0.00 4 CA aa or 0.00 0.00 5 CA dd growth 0.00 0.06 ...
⚠️ 关键注意事项：
- stack() 默认会忽略 NaN，但本例数据无缺失，故无需额外处理；若存在空值，可配合 dropna=False 保证结构完整性；
- unstack("qtr") 要求 qtr 必须是索引层级之一，否则报错——务必确认 set_index 中已包含该字段；
- 若需按 year + ID + type 多级分组汇总后再透视，应在 stack 前添加 groupby(...).agg(...)，但本例为纯重塑，无需聚合；
- 最终列顺序建议显式 reindex() 控制，避免因 pandas 版本差异导致列序波动。
该方法兼具简洁性与鲁棒性，是处理“指标列→行 + 时间列→列 + 多维分组”三重需求的标准范式，远优于手动 melt-pivot 组合易出错的链式操作。
