将数据帧重整为整齐的格式可能是数据整理中最常见的事情之一。在本文中，我们将学习如何使用Pandas的melt()函数和wide_long_long()函数来将Pandas数据框从宽数据格式整形为长数据格式。

melt函数

pandas.melt(frame,id_vars=None,value_vars=None,Var_name=None,value_name='Value',col_level = None)

其中
frame：Dataframe；
id_vars：不需要被转换的列名,用做标识符变量的列；
value_vars: 需要转换的列名,若未指定，则使用未设置为id_vars的所有列；
var_name：用于变量列的名称，如果为None,则使用frame.columns.name或者variable;
value_name:用于值列的名称；
col_level: 如果列名是MultiIndex,则使用此级别进行融合。

在第1个示例中，我们将看到一个简单的数据框示例，它具有更广泛的形式，并使用Pandas融合函数将其重塑为更长的条理形式。

data = {'Name': ['John', 'Smith', 'Liz',], 
        'Weight': [150, 170, 110], 
        'BP': [120, 130, 100]}
wide_df = pd.DataFrame(data)
wide_df

    Name    Weight  BP
0   John    150     120
1   Smith   170     130
2   Liz 110 100

我们可以使用Pandas melt()函数将数据框重塑为满足整洁数据原则的长形式。对于Pandas melt函数，我们需要指定需要在长格式数据框中需要保留的变量，并且可以选择指定变量的名称和值。在此示例中，我们仅将变量命名为key，将值命名为value。

wide_df.melt(id_vars='Name', var_name='key', value_name='value')
 
    Name    key     value
0   John    Weight  150
1   Smith   Weight  170
2   Liz     Weight  110
3   John    BP      120
4   Smith   BP      130
5   Liz     BP      100

Wide to Long()函数

gapminder = pd.read_csv(r"https://goo.gl/ioc2Td")
gapminder.head()

间隔形式的gapminder数据以列的形式包含lifeExp，gdpPercap和每年的人口。对于此示例，让我们仅使用lifeExp列。我们将使用Pandas loc和字符串匹配对数据框进行过滤，以包含每年的预期寿命值。

寿命数据

gapminder_tidy = lifeExp.melt(id_vars=["continent", "country"], 
                              var_name="year", 
                              value_name="lifeExp")
gapminder_tidy.head(3)

数据每列中都有国家，大洲和lifeExp。请注意，对于每一行，国家/地区值都是唯一的。我们可以使用pandas melt函数将这个宽数据帧转换为长格式的数据帧。在此示例中，我们希望将大洲和国家/地区都保留为列，因此我们使用“ id_vars”参数进行指定。在长格式的形式中，我们需要year和lifeExp作为我们的附加列。我们可以指定var_name = year和value_name =lifeExp。

gapminder_tidy.year = gapminder_tidy.year.str.replace("lifeExp_","")

lifeExp_tidy = pd.wide_to_long(lifeExp, 
                               stubnames=['lifeExp'], 
                               i='country',
                               j='year',  
                               sep='_')

现在，我们已使用Pandas wide_to_long函数将宽数据帧重塑为长数据帧。

我们可以重新索引以更改多索引列名，并以长格式获取数据。

lifeExp_tidy.reset_index(inplace=True)

其实Pandas wide_to_long()使用了Pandas的melt函数。但是Pandas的wide_to_long()更易于使用。例如，原始的gapminder数据框以宽格式包含一段时间内的多个变量，lifeExp，gdpPercap和pop。我们可以使用Pandas的wide_to_long()存根名称来指定多个变量，然后将其重塑为长格式。例如，要随着时间的推移在gapminder数据框中以宽幅形式重塑所有3个变量，我们可以使用stubnames = ['lifeExp'，'gdpPercap'，'pop']指定前缀。

gapminder_long = pd.wide_to_long(gapminder, ['lifeExp', 'gdpPercap','pop'], #变量值的含义，转化后的表以其为列
                 i = ['continent','country'],  
                 j='year', 
                 sep='_')
gapminder_long.reset_index(inplace=True)

此处放一张来自木头里有虫911简书里的图片：

wide to long 示意说明