melt()是宽转长第一选择，因其专为“列名当值”设计，不丢索引、不混类型、不限列名结构；需正确设置id_vars、var_name、value_name，复杂列名需配合str.extract或wide_to_long优化。
为什么 melt() 是宽转长的第一选择
因为 pandas.melt() 专为“把列名当值用”而设计，不像 stack() 或手动 concat() 那样容易丢索引、混数据类型或搞错层级。它不强制要求列名有结构，哪怕列名是 "2023_Q1"、"region_north"、"type_A" 这种混合命名也能靠参数控制解构逻辑。
常见错误现象：直接传入所有列进 id_vars，结果没留出“要融化的列”，输出空表；或漏写 value_name，导致新列名默认为 "value"，后续做分组统计时字段语义丢失。
- 必须明确指定哪些列是“不变的标识列”（如
["country", "year"]），其余自动视为待融化列 -
var_name建议取业务相关名（如"metric"或"category"），别用默认的"variable" - 如果原始列名本身含多层含义（如
"sales_usd_q1"），先用df.columns = df.columns.str.replace(...)清洗，再melt，别指望melt自动拆解字符串
处理带嵌套语义的列名（比如 “指标_地区_季度”）
当列名像 "revenue_north_Q1"、"cost_south_Q2" 时，不能只靠 melt，得配合 str.extract() 或 str.split() 提取维度。核心思路是：先熔化，再从 variable 列里“反向解析”出多个新列。
示例场景：你有一张销售宽表，列名格式统一为 "{metric}_{region}_{quarter}"，需拆成 metric、region、quarter 三列用于分面绘图。
立即学习“Python免费学习笔记（深入）”；
- 先执行
df_melted = df.melt(id_vars=["product"], var_name="raw_col", value_name="amount") - 再用
df_melted[["metric", "region", "quarter"]] = df_melted["raw_col"].str.extract(r"^(.+)_(.+)_(.+)$") - 最后删掉
"raw_col"，保留干净的长表结构 —— 这步漏掉会导致图表 x 轴显示一串下划线字符串
性能敏感时怎么避免 melt 变慢
melt 本身是 C 实现，不慢；慢的是后续字符串操作和 extract。如果宽表有 500+ 列、千万级行，反复 str.extract 会明显卡顿。
替代方案：用 pd.wide_to_long()，它原生支持正则匹配列名模式，且内部做了向量化优化。但前提是列名必须可被统一前缀 + 后缀规则覆盖（例如全为 "A_2020", "A_2021", "B_2020", "B_2021"）。
- 写法：
pd.wide_to_long(df, stubnames=["A", "B"], i="id", j="year", sep="_", suffix=r"\d{4}") - 注意
stubnames必须精确列出所有前缀，漏一个就丢数据；suffix正则若太宽（如".*"）会匹配失败 - 不满足前缀规则？老实用
melt + str.extract，但把extract换成map(dict)查表（提前构建列名→维度字典），速度能快 3–5 倍
可视化前最后检查的三个坑
长表送进 seaborn 或 plotly.express 前，90% 的报错其实来自这三项没对齐：
-
value列必须是数值型 ——melt不自动转类型，"123"字符串会直接让barplot报TypeError: unsupported operand type(s) for +: 'int' and 'str' - 分类维度列（如
"region"）若有空值或前后空格，catplot可能静默跳过某些组，用df["region"].str.strip().fillna("unknown")预处理 - 时间维度列（如
"quarter"）若为字符串，lineplot默认按字母序排横轴（"Q1","Q10","Q2"），得转成pd.Categorical并指定categories顺序
最常被忽略的是：同一份长表，给 px.line() 用没问题，但喂给 px.box() 就少一组 —— 因为 box 要求每个分组至少 2 个点，而某个 metric 在某 region 下只有一条记录，被 quietly dropped 了。
