在 Polars 中，unpivot 后若要精确还原原始 DataFrame 结构，必须保留行序信息（如通过 with_row_index() 添加索引），否则仅凭 recipe 和 revenue 两列无法唯一确定原始行列关系。
在 polars 中，unpivot 后若要精确还原原始 dataframe 结构，必须保留行序信息（如通过 `with_row_index()` 添加索引），否则仅凭 `recipe` 和 `revenue` 两列无法唯一确定原始行列关系。
Polars 的 unpivot() 操作本质上是将宽表“压平”为长表，但该过程不可逆——除非显式保留原始行位置信息。这是因为长表中相同 revenue 值（如多个 1）可能来自不同原始行，而 recipe 列仅标识列名，不携带行归属线索。因此，直接对 df_long（仅有 recipe 和 revenue）调用 pivot() 会导致歧义：系统无法判断哪个 revenue=1 应归入第 0 行、哪个归入第 1 行。
✅ 正确做法：在 unpivot 前注入行索引
使用 with_row_index() 为原始 DataFrame 添加唯一行标识符，并将其作为 unpivot() 的 index 参数传入，使长表天然携带结构元数据：
import polars as pl
df = pl.DataFrame({
'A': range(1, 4),
'B': range(1, 4),
'C': range(1, 4),
'D': range(1, 4)
})
# ✅ 关键步骤：添加行索引并纳入 unpivot
df_long = df.with_row_index().unpivot(
index="index", # 将行索引作为 pivot 的分组依据
variable_name="recipe",
value_name="revenue"
)
# 还原：直接 pivot，无需额外计算 cum_count()
df_restored = df_long.pivot(
on="recipe",
index="index",
values="revenue",
aggregate_function="first" # 因每组 (index, recipe) 唯一，first 即可
).drop("index") # 移除索引列，恢复原始列结构
print(df_restored)输出：
shape: (3, 4) ┌─────┬─────┬─────┬─────┐ │ A ┆ B ┆ C ┆ D │ │ --- ┆ --- ┆ --- ┆ --- │ │ i64 ┆ i64 ┆ i64 ┆ i64 │ ╞═════╪═════╪═════╪═════╡ │ 1 ┆ 1 ┆ 1 ┆ 1 │ │ 2 ┆ 2 ┆ 2 ┆ 2 │ │ 3 ┆ 3 ┆ 3 ┆ 3 │ └─────┴─────┴─────┴─────┘
⚠️ 注意事项：
- 不要依赖 cum_count().over("recipe") 生成伪索引：它按 recipe 分组排序计数，但无法保证跨列的行对齐（例如 A[0], B[0], C[0] 可能被分配不同索引值）。
- aggregate_function="first" 是安全选择：因 with_row_index() + unpivot(index=...) 保证了 (index, recipe) 组合唯一，聚合函数仅起占位作用。
- 对比 Pandas/R 的差异：Pandas 的 melt()/pivot() 或 R 的 pivot_longer()/pivot_wider() 在底层隐式维护了原始顺序，而 Polars 显式设计强调确定性与可追溯性，要求用户主动管理结构信息。
总结：Polars 的哲学是“显式优于隐式”。还原宽表不是缺失功能，而是需主动保留行序——这是确保数据转换可逆、可复现、可审计的关键实践。
