必须先 reset_index() 再 melt()：pivot_table 默认生成带 MultiIndex 的宽表，需先将索引转为普通列，再用 melt() 展开列名，否则列名混乱、ID 变 tuple 或报错；漏写 id_vars 或列名含特殊字符也易出错。
用 pandas.melt() 还是 reset_index()？看原始 pivot_table 是否带多级索引
直接结论：如果 pivot_table() 输出带了行索引（默认行为），必须先 reset_index()；如果已经用 dropna=False 或 fill_value 处理过缺失，再用 melt() 才能真正还原为原始长表结构。
常见错误是直接对带 MultiIndex 的 pivot_table 结果调用 melt()，结果列名混乱、ID 变成 tuple、甚至报 ValueError: cannot convert a Series to a DataFrame。
-
pivot_table()默认把分组字段设为行索引（index参数值），所以输出是带索引的 DataFrame - 想“还原”长表，本质是把索引变回普通列 + 把列名展开为变量值，两步缺一不可
- 若原始 pivot_table 用了
aggfunc=list或返回嵌套结构，melt()会失效，得先explode()或逐列处理
正确还原三步走：reset_index() → melt() → 列重命名
假设你有：
df_pivot = pd.pivot_table(df, values='sales', index=['region', 'year'], columns='product')
它输出一个以 region 和 year 为 MultiIndex、产品为列名的宽表。要转回长表：
立即学习“Python免费学习笔记（深入）”；
- 先
df_pivot.reset_index(inplace=True)—— 把索引变回普通列 - 再
df_long = df_pivot.melt(id_vars=['region', 'year'], value_name='sales', var_name='product')—— 注意id_vars必须显式列出所有原索引列 - 最后可选：
df_long.dropna(subset=['sales'])去掉 pivot 时生成的 NaN 行（除非你需要保留空组合）
漏掉 id_vars 或写错列名，melt() 就会把所有列都当 value 处理，导致 region、year 也进 value 列。
遇到列名含空格或特殊字符？提前用 rename(columns=...)
melt() 的 var_name 会直接取原始列名，如果 pivot 后列名是 'iPhone 15' 或 'Q1-Sales'，melt 出来的 product 列就带空格/符号——后续做 groupby 或 SQL 导入容易出错。
- 在
melt()前加一步：df_pivot.columns = df_pivot.columns.str.replace(r'[^a-zA-Z0-9_]', '_', regex=True) - 或者更稳妥：用
df_pivot.rename(columns=lambda x: f'prod_{x}')统一前缀 - 别依赖
melt()自动清理列名，它不做任何字符串标准化
性能注意：大表慎用 melt()，优先考虑 stack() + reset_index()
当 pivot_table 结果列数极多（比如上千个产品）、行数不大时，melt() 内部循环开销明显；此时 stack() 更快且语义更贴近“压栈”动作：
df_long = df_pivot.stack('product').reset_index(name='sales')
但要注意：
-
stack()要求列是单层索引，MultiIndex 列需先df_pivot.columns = df_pivot.columns.droplevel(0)（如果有多级列） -
stack()默认把最后一级列名变成新列，名字固定为level_2或类似，需手动rename() - 内存占用上，
stack()比melt()略低，但可读性稍差，团队协作时建议统一用melt()
真正容易被忽略的是：pivot_table 的 fill_value 参数会影响 melt 后的非空判断——NaN 和 0 是两回事，还原时若没设 fill_value，空单元格就是 NaN，dropna() 才有效；若设了 fill_value=0，就得用 query('sales != 0') 过滤，不能只靠 dropna。
