必须用 melt() 而不是 stack() 的情况是：当需保留原始行标识列（如 ID、时间戳）且存在非数值标识列时，因 stack() 会丢失这些列或报错；melt() 可明确指定 id_vars 和 value_vars 并自定义列名。
直接用 pandas.melt()，这是最稳妥、最可控的方式；pandas.pivot_table() 或 stack() 适合特定结构，但容易反向出错或丢失索引。
什么时候必须用 melt() 而不是 stack()
stack() 会自动压平列，但默认把原 DataFrame 的列名变成多级索引（MultiIndex），且无法保留原始行标识（如 ID、时间戳）——一旦你有非数值列需要作为分组依据，stack() 就会丢数据或报 ValueError: Index contains duplicate entries。
- 用
melt()：明确指定哪些列是“不变的标识列”（id_vars），哪些是“要展开的变量列”（value_vars） - 用
stack()：仅适用于纯数值矩阵，且你愿意手动重置索引、重命名列 -
melt()返回的是扁平 DataFrame，列名可自定义（var_name和value_name），便于后续groupby或merge
melt() 的关键参数怎么设才不踩坑
常见错误是漏写 id_vars 或误传 value_vars 类型。比如原表有 ['date', 'region', 'sales_q1', 'sales_q2', 'profit_q1']，你想按季度展开：
Claw Code Suite (Python-Only Edition)
下载
仅使用 Python 将 Claw Code 虚拟化框架与 OpenClaw 集成，提供 184 种工具和 200 多条命令，用于安全分析和代码质量...
-
id_vars=['date', 'region']—— 必须是 list，哪怕只有一个列也要写成['date'] -
value_vars=['sales_q1', 'sales_q2', 'profit_q1']—— 如果不指定，melt()会把所有非id_vars列都当变量列，可能混入不该展开的列 -
var_name='quarter'和value_name='amount'—— 不设则默认叫'variable'和'value'，后续处理时容易混淆 - 如果某列含空值，
melt()默认保留；加ignore_index=False可继承原索引（对时间序列对齐很重要）
遇到重复列名或隐式 multiindex 怎么办
宽表若由 pivot() 或外部 Excel 导入生成，常出现列名为 tuple（如 ('sales', 'Q1')）或重复字符串（如多个 'value'）。这时 melt() 会直接报 ValueError: Index has duplicate keys 或展开后列名混乱。
立即学习“Python免费学习笔记（深入）”；
- 先检查：
print(df.columns)看是否为MultiIndex；若是，用df.columns = ['_'.join(col).strip() for col in df.columns.values]扁平化 - 去重列名：
df.columns = pd.RangeIndex(len(df.columns))或用df.rename(columns=dict(zip(df.columns, new_names))) - 切忌直接删列重命名后再
melt()——可能破坏业务语义；建议在melt()前用df.set_index(['date', 'region']).stack().reset_index()试跑，对比输出结构
真正麻烦的不是语法，而是宽表里那些没显式命名的维度（比如“Q1/Q2”实际代表时间，“sales/profit”代表指标类型）——这些语义信息不会自动进 melt() 结果，得靠你手工拆解 variable 列，用 str.extract() 或 str.split() 补回去。
