melt是Pandas中最稳妥、语义最清晰的宽转长方法，需显式指定id_vars和value_vars以保留主键并精准融化观测列，var_name和value_name应明确命名，MultiIndex需先扁平化处理。
直接说结论：melt 是 Pandas 中最稳妥、语义最清晰的宽转长方式，尤其适合有明确标识列（如 ID、时间点）和多个观测值列的场景；别硬套 pivot_table 或手写循环，容易翻车。
什么时候必须用 id_vars 和 value_vars？
当你想保留某些列作为“主键”（比如 student_id、country），而把其余列或指定列展开成行时，id_vars 就是这些主键列名列表，value_vars 是你要“融化”的观测列。不设 value_vars 会默认取所有非 id_vars 列——这在列名含前缀/后缀（如 score_math、score_english）时极易误融无关列。
- 常见错误：漏写
id_vars，导致原表索引或未命名列被当成普通变量列一起融化 - 推荐写法：
melt(df, id_vars=['student_id'], value_vars=['score_math', 'score_english']) - 如果列名有规律，可用列表推导式生成
value_vars：[c for c in df.columns if c.startswith('score_')]
var_name 和 value_name 不设会怎样？
不设就用默认名 variable 和 value，看着很抽象，尤其多人协作或后续要 merge 时容易出错。比如你融的是季度销售额，variable 列存着 Q1、Q2，但别人不知道这是季度还是年份。
- 务必显式命名：
melt(..., var_name='quarter', value_name='sales') - 如果
value_vars原本是带单位的列名（如temp_c、temp_f），var_name应反映其含义（'temperature_unit'），而不是留作variable - 注意：
var_name和value_name是字符串，不是列名变量，别写成var_name=temp_unit
遇到多级列名（MultiIndex）能直接 melt 吗？
不能。Pandas 的 melt 只接受扁平列名（Flat Index）。如果你的 DataFrame 有两层列（比如读 Excel 时用了 header=[0,1]），会报错 ValueError: Unstacked DataFrame is missing values 或静默丢列。
立即学习“Python免费学习笔记（深入）”；
- 先用
df.columns = ['_'.join(col).strip() for col in df.columns.values]合并层级，再melt - 或者用
stack()配合reset_index()，但要注意stack默认压最后一级，需传level参数控制 - 更安全的做法：在读取阶段就避免生成 MultiIndex，比如用
pd.read_excel(..., header=0)，后续靠列名规则识别
真正麻烦的是列名语义混杂——比如既有 2020、2021 这样的年份，又有 region_a、region_b 这样的分类，这时候光靠 melt 不够，得先用 filter 或正则分组，再分批熔化或拼接。别指望一步到位。
