df.T最快但仅适用于索引和列名唯一、无MultiIndex的二维数值型数据；transpose()支持链式操作但不解决索引冲突；列名含list/dict/NaN或存在重复索引会直接报错。
用 T 属性转置 DataFrame 最快但不灵活
直接取 df.T 是最常用也最快的方式，底层走的是视图优化路径，几乎不复制数据。但它只支持二维结构，遇到带 MultiIndex 的列或行、或含有非唯一索引时会报错 ValueError: Index has duplicate keys。
适用场景：纯数值型、索引和列名都唯一、不需要重命名新轴的快速查看。
- 如果原
df.index有重复值，df.T会失败，必须先用df.reset_index(drop=True)或去重 -
T不接受参数，没法指定新索引名或填充缺失值 - 转置后原列名变成新索引，类型可能从
object变成int64（比如列名全是数字字符串），后续.loc访问容易出错
用 transpose() 方法能控制缺失值和轴名
transpose() 和 T 行为一致，但它是方法，支持传参。目前唯一可用参数是 copy（默认 False），用来强制深拷贝——仅在你之后要原地修改转置结果且担心影响原始数据时才需要设为 True。
真正有用的其实是链式操作：比如转置后立刻重命名轴、处理 NaN：
立即学习“Python免费学习笔记（深入）”；
快速生成专业的 Python 脚本和应用代码。一键创建完整项目结构，支持CLI、API、爬虫、Bot、Django等多种项目类型，包含完整的项目结构、配置文件、依赖管理、测试、README和文档。
df.transpose().rename(columns=str.upper).fillna(0)
注意：transpose() 本身不解决索引冲突，该报错还是报错；它只是给你一个可继续调用其他方法的中间态。
行列转置失败常见错误：索引/列名含 list、dict 或 NaN
Pandas 要求索引和列名必须是可哈希对象。list、dict、numpy.ndarray 都不可哈希，一旦出现在 df.columns 或 df.index 中，df.T 和 df.transpose() 全部抛 TypeError: unhashable type。
- 检查方式：
type(df.columns[0])、df.columns.map(type).unique() - 修复方法：把列名统一转成字符串，如
df.columns = df.columns.astype(str)，或用df.columns = [str(c) for c in df.columns] - NaN 作为列名也会触发同样错误，需提前用
df.columns = df.columns.fillna("unknown")
转置后数据类型丢失？那是 dtypes 没对齐
转置本身不会改变每列的数据类型，但如果你转置前某列是混合类型（比如同时含 int 和 str），Pandas 会把它升格为 object；转置后这列变成行，整行就变成 object，再调用 .sum() 或 .mean() 就失效。
这不是转置的问题，是原始结构问题。验证方法：df.dtypes 和 df.T.dtypes 对比看哪些列变了。
- 避免方式：转置前用
df.infer_objects()或显式转换，如df["col"] = pd.to_numeric(df["col"], errors="coerce") - 如果已转置且 dtype 错乱，别硬转，先
df.T.reset_index().T试试——有时重置索引能重触发类型推断
T 和 transpose() 暗中失效的“软缺陷”：重复索引、不可哈希列名、隐式混合类型。动手前先扫一眼 df.index.is_unique、df.columns.is_unique、df.dtypes，省得后面来回猜。 
