melt是宽转长最直接的选择，因其专为将多列摊平为variable和value两列而设计，行为稳定、不依赖索引、不强制重命名，避免stack或concat导致的错误与性能问题。
为什么 melt 是宽转长最直接的选择
因为 melt 就是专为这个场景设计的：把多个列“摊平”成两列（variable 和 value），其他列作为标识保留。它不依赖索引、不强制重命名、不自动推断类型，行为稳定，比手写 stack 或循环拼接更安全。
常见错误现象：ValueError: Unstacked DataFrame is too big —— 这往往是因为误用了 stack；或者用 pd.concat 循环拼接导致性能暴跌、列名对不齐。
- 只在需要“列名变值”的时候用
melt，别试图用它做行列互换或聚合 -
id_vars必须是你要保留的标识列（如['user_id', 'date']），漏写会导致全表塌缩 -
value_vars不填时默认取所有非id_vars列，但显式列出更稳妥，尤其当列名含空格或特殊字符时
melt 的参数怎么配才不出错
关键不是记参数名，而是理解三类列的归属：哪些是“不变的身份证”，哪些是“要摊开的指标”，哪些是“新生成的字段名/值”。错配就直接导致结果列缺失或重复。
使用场景举例：原始表有 user_id、name、score_math、score_english、score_science，想变成每行一个科目成绩。
立即学习“Python免费学习笔记（深入）”；
-
id_vars=['user_id', 'name']—— 这俩必须原样保留，不能放进value_vars -
value_vars=['score_math', 'score_english', 'score_science']—— 显式列出，避免因列顺序变动或新增列引发意外 -
var_name='subject'和value_name='score'—— 建议始终指定，否则默认叫variable/value，后续处理容易混淆
示例：
df_melted = df.melt(id_vars=['user_id', 'name'], value_vars=['score_math', 'score_english'], var_name='subject', value_name='score')
遇到空值、重复列名或非字符串列名怎么办
melt 本身不报错，但输出可能不符合预期——比如 variable 列里混进 NaN，或列名是数字/布尔值导致 value_vars 传入失败。
常见错误现象：KeyError: [1, 2, 3]（列名是整数）；或熔化后 variable 出现 None；或同一 id_vars 组合下出现多行相同 variable 值但没被识别为重复。
- 列名不是字符串？先统一转：
df.columns = df.columns.astype(str) -
value_vars传入整数列名时，必须确保它们真实存在于df.columns中，用df.columns.tolist()检查 - 原始数据有缺失？
melt默认保留NaN在value列中，如需过滤，得后续加.dropna(subset=['score']) - 重复列名？
melt会照常执行，但结果难区分来源——务必在熔化前用df.columns.is_unique检查并去重
性能和内存要注意什么
大表（千万行以上）用 melt 可能突然卡住或爆内存，不是函数本身慢，而是结果行数指数级膨胀：N 行 × M 个指标列 → N×M 行。这是结构转换的本质代价，不是 bug。
性能影响明显的情况：原始表有 50 列指标、100 万行，melt 后变成 5000 万行。此时 pandas 会频繁触发内存拷贝。
- 别在熔化前做无谓操作（如
reset_index(drop=True)），melt不依赖索引 - 如果只要部分指标列，一定用
value_vars精确限定，别依赖默认行为 - 极端情况可考虑分块
melt+pd.concat(..., copy=False)，但优先检查是否真需要全量长表——有时 groupby 聚合能在宽表上直接完成
容易被忽略的是：melt 后的 variable 列默认是 object 类型，若它实际是有限类别（如几十个固定科目名），手动转成 category 能省 50%+ 内存：
df_melted['subject'] = df_melted['subject'].astype('category') 
