pandas.melt() 是宽转长最直接方法，需明确指定 id_vars 和 value_vars，显式命名 var_name/value_name；多级列用 stack() 更稳妥；大宽表慎用 melt()，注意空值与重复索引问题。
用 pandas.melt() 处理基础宽转长
宽表转长表最直接的方式就是 pandas.melt()，它适合字段明确、标识列（如 id、date）和变量列（如 Jan、Feb）界限清晰的场景。
常见错误是漏设 id_vars 或误把所有列当变量处理，导致结果多出一列冗余 variable 值，或丢失关键标识信息。
-
id_vars必须指定不变的标识列，比如['country', 'year']；不填会默认把除value_vars外所有列都当作id_vars，容易出错 -
value_vars显式列出要“融化”的列（如['Q1', 'Q2', 'Q3', 'Q4']），不指定则默认取其余所有列，但列顺序可能打乱 -
var_name和value_name推荐显式命名，避免默认的variable/value造成后续处理歧义
示例：
df_long = df.melt(id_vars=['region'], value_vars=['2021', '2022', '2023'], var_name='year', value_name='sales')
遇到多级列名时用 stack() 更稳妥
当宽表有 MultiIndex 列（比如分产品线+季度的嵌套列），melt() 无法直接处理，强行 flatten 列名易出错或丢失层级语义。
立即学习“Python免费学习笔记（深入）”；
此时 stack() 是更自然的选择：它按层级折叠列，自动保留索引结构，且返回 Series 后可轻松转回 DataFrame。
- 先用
set_index()把标识列设为索引，再stack()，否则层级会被压扁成字符串 -
stack()默认只压一层，多级列需传入level参数，比如stack([0, 1])表示压平前两级 - 结果带
MultiIndex，调用reset_index(name='value')可还原为规整长表，name指定新值列名
示例：
df_long = df.set_index(['product']).stack([0, 1]).reset_index(name='amount')
性能敏感场景慎用 melt() 大宽表
对列数超 500 的宽表（比如传感器每秒采样存一列），melt() 内部会构造大量中间对象，内存占用陡增，速度明显变慢。
这不是 bug，而是其设计基于通用性而非极端宽度优化。实际中更推荐分块处理或改用 numpy 手动 reshape + pd.DataFrame 构造。
- 列太多时，先用
df.columns.tolist()确认哪些列真要融，避免无谓膨胀 - 若仅需部分年份/指标，用
value_vars显式限定范围，比全量 melt 后再query()高效得多 - 极端情况（千万级列）应考虑是否数据建模本身有问题——宽表本就不该这么宽
别忽略空值和重复索引带来的副作用
melt() 和 stack() 都不会主动 drop 空值，但长表里出现大量 NaN 会让下游聚合或绘图异常；更隐蔽的是，原始宽表若存在重复索引，stack() 后会保留重复，而 melt() 不受影响。
- 转换后建议立刻检查
df_long['value'].isna().sum()，决定是否dropna() - 若原始表有重复
index，用stack()前先df = df.reset_index(drop=True)或去重 -
melt()对索引无感，但若你依赖索引做后续 merge，记得转换后重设有意义的索引
真正麻烦的不是语法，而是宽表本身常混杂业务逻辑（比如某些列为计算字段、某些列仅部分行有效），这些必须在 melt 前人工厘清，工具不会替你判断哪列该融、哪列该删。
