本文介绍如何将具有隐式多级列头（如年份+类别组合）的宽格式 DataFrame 高效转换为结构清晰的长格式，重点利用 melt 与列索引重命名配合实现精准展开。
本文介绍如何将具有隐式多级列头（如年份+类别组合）的宽格式 dataframe 高效转换为结构清晰的长格式，重点利用 `melt` 与列索引重命名配合实现精准展开。
在实际数据分析中，我们常遇到列名本身隐含多维语义的表格——例如列头由 (year, category) 构成，但未显式定义为 MultiIndex，而是以字符串元组或嵌套结构存储。这类“隐式多级列头”无法直接被 pd.melt 识别为分层变量，需先显式构造列索引层级，再执行熔融操作。
假设原始 DataFrame 的列结构如下（已通过 orient='tight' 或手动设置构建）：
import pandas as pd
df = pd.DataFrame.from_dict({
'index': ['X', 'Y'],
'columns': [('2022', 'A'), ('2022', 'B'), ('2021', 'A'), ('2021', 'B')],
'data': [[1, 2, 3, 4], [5, 6, 7, 8]],
'index_names': ['class'],
'column_names': ['year', 'category'] # 关键：显式声明列名层级
}, orient='tight')此时 df.columns 是一个 MultiIndex，其 names 为 ['year', 'category']，这是后续操作的基础。
✅ 推荐方案：先设列名层级，再 melt
out = (df.rename_axis(columns=['year', 'category'])
.melt(ignore_index=False, var_name=['year', 'category'], value_name='value')
.reset_index(drop=True)
.sort_values(['year', 'category', 'class'])
.reset_index(drop=True))该方案优势在于：
-
rename_axis(columns=...)显式赋予列索引层级名称，使melt能自动将各层拆解为独立列； -
var_name接收列表['year', 'category']，确保熔融后变量列被正确命名； -
ignore_index=False保留原始行索引（即class值），避免信息丢失； - 最终
sort_values保证输出顺序符合示例要求（可选，提升可读性）。
? 替代方案：熔融后手动重命名变量列
若列索引未预先命名，也可先熔融再解析：
out = (df.melt(ignore_index=False, value_name='value')
.assign(year=lambda x: x['variable_0'],
category=lambda x: x['variable_1'])
.drop(columns=['variable_0', 'variable_1'])
.reset_index(drop=True)
.sort_values(['year', 'category', 'class'])
.reset_index(drop=True))注意：variable_0 / variable_1 是 melt 对 MultiIndex 列自动生成的默认变量列名，仅在列确为 MultiIndex 时有效。
⚠️ 注意事项
- 确保原始 DataFrame 的
columns是pd.MultiIndex；若列仅为字符串（如'2022_A'），需先用df.columns = df.columns.str.split('_', expand=True)构造多级索引，并设置names； -
ignore_index=False是关键——它让melt保留原始行索引（此处即class行标签），否则class会丢失，需额外映射； - 输出中
class列默认为行索引值，无需额外提取，天然对齐。
最终结果完全匹配目标格式：
| year | category | class | value |
|---|---|---|---|
| 2021 | A | X | 3 |
| 2021 | A | Y | 7 |
| 2021 | B | X | 4 |
| 2021 | B | Y | 8 |
| 2022 | A | X | 1 |
| 2022 | A | Y | 5 |
| 2022 | B | X | 2 |
| 2022 | B | Y | 6 |
掌握此模式，即可稳健处理各类隐式结构化表头，为后续按 year、category、class 等维度的分组聚合、可视化或建模奠定规范数据基础。
