pandas.pivot_table()是最稳妥的动态透视方式，支持多级索引、多值列和多种聚合函数，能自动处理缺失组合与重复项；需确保index/columns组合唯一或用aggfunc显式指定合并逻辑。
用 pandas.pivot_table() 实现动态分组聚合，别硬写循环
直接调用 pandas.pivot_table() 是最稳妥的动态透视方式，它天然支持多级索引、多值列、多种聚合函数，且能自动处理缺失组合。手动遍历 + 字典拼接不仅慢，还容易漏掉空组或类型错乱。
常见错误是把 index 和 columns 设成未去重的原始列——结果会报 ValueError: Index contains duplicate entries。正确做法是先确认这两维的组合唯一性，或用 aggfunc 显式指定如何合并重复项：
-
aggfunc='mean'（默认是'mean'，但很多人误以为是'first'） - 传字典如
{'sales': 'sum', 'qty': 'count'}，支持不同列不同聚合逻辑 - 若需保留所有原始行（含重复 index/column 组合），改用
pandas.pivot()，但它不支持聚合，只适合“一格一值”场景
用 pandas.melt() 做逆透视时，id_vars 和 value_vars 别搞反
逆透视本质是把宽表“压扁”，关键在于明确哪些列是标识维度（id_vars），哪些是待展开的观测值列（value_vars）。典型翻车点：把日期列当 value_vars 却没设 var_name，结果新列名变成 variable 和 value，后续难识别。
实操建议：
立即学习“Python免费学习笔记（深入）”；
- 显式写出
value_vars，别依赖None（它会取除id_vars外所有列，易受新增列干扰） - 用
var_name='period'和value_name='amount'自定义新列名，避免硬编码依赖默认名 - 如果原表有多个数值列（如
revenue_2022,revenue_2023,cost_2022），先用filter(regex=r'_20\d{2}$')提取列名再传入，比手写更可靠
动态透视遇到时间序列列，先用 pandas.to_datetime() 标准化再分组
很多用户拿原始字符串日期（如 '2023-01', 'Jan-2023'）直接当 columns，结果透视后列顺序乱、无法切片、聚合出错。Pandas 不会自动推断时间语义，必须显式转换。
正确流程：
- 用
pd.to_datetime(df['month'], format='%Y-%m')或infer_datetime_format=True转为datetime64 - 透视前用
.dt.to_period('M')转成周期类型，保证排序和对齐稳定 - 若需按年/季度聚合，直接在
pivot_table()的index中用df['date'].dt.year或df['date'].dt.quarter，别在原始列上做字符串截取
性能敏感场景下，pivot_table() 比 groupby().unstack() 更稳但稍慢
两者都能实现类似效果，但底层逻辑不同：pivot_table() 强制走聚合路径（哪怕 aggfunc='first'），而 groupby().unstack() 本质是分组 + 重塑，对单值场景更快。不过一旦数据含重复键，unstack() 会直接报 ValueError: Index contains duplicate entries，而 pivot_table() 默认就处理了。
选哪个？
- 数据干净、无重复 index/column 组合，且只要取第一个值 → 用
groupby().unstack()，快 20%~30% - 不确定是否有重复、需要灵活聚合（比如同时算均值和计数）、要兼容 NaN 处理 → 死守
pivot_table() - 列特别多（>1000）时，两者都会变慢，考虑先用
query()或loc预过滤再透视
真正容易被忽略的是：所有这些操作都默认返回副本。如果原 DataFrame 很大，又反复调用透视/逆透视，内存会悄悄翻倍——记得用 inplace=False（默认值）心里有数，必要时显式 del 中间变量。
