使用 Polars 的 unpivot() 方法可一键将宽格式聚合结果（如按月统计的均值、中位数）转换为适合绘图的长格式，只需指定索引列，无需手动列举变量列。
使用 polars 的 `unpivot()` 方法可一键将宽格式聚合结果（如按月统计的均值、中位数）转换为适合绘图的长格式，只需指定索引列，无需手动列举变量列。
在数据分析流程中，完成分组聚合（如按月份计算均值 avg 和中位数 med）后，常需将结果从宽格式（wide format）转为长格式（long format），以便统一绘制多条折线、堆叠柱状图或使用 Altair/Plotly 等支持 color 或 hue 映射的可视化库。
Polars 提供了语义清晰、性能高效的 unpivot() 方法（自 0.20.0 起替代已弃用的 melt()），是实现该转换的最简方案。其核心优势在于：仅需声明索引列（如 'month'），其余数值列会自动被“展开”为变量名与值对，无需显式传入 value_vars 列表，大幅减少冗余代码并提升可维护性。
以下为完整示例：
import polars as pl
# 假设已完成聚合（注意：原问题中误用了 pd.col，应为 pl.col）
df = (
data.group_by("month_code")
.agg(
pl.col("value").mean().alias("avg"),
pl.col("value").median().alias("med")
)
.sort("month_code")
)
# ✅ 最简转换：使用 unpivot，指定 index 列即可
df_long = df.unpivot(
index="month_code", # 作为分组标识列（x 轴依据）
variable_name="type", # 新列名，存储原列名（如 "avg", "med"）
value_name="value" # 新列名，存储对应数值（默认为 "value"，可省略）
)
# 输出即为绘图就绪的长格式 DataFrame
print(df_long)输出结构如下：
shape: (6, 3) ┌────────────┬──────┬──────────┐ │ month_code ┆ type ┆ value │ │ --- ┆ --- ┆ --- │ │ str ┆ str ┆ f64 │ ╞════════════╪══════╪══════════╡ │ M202412 ┆ avg ┆ 0.037824 │ │ M202501 ┆ avg ┆ 0.03616 │ │ M202502 ┆ avg ┆ 0.038919 │ │ M202412 ┆ med ┆ 0.01381 │ │ M202501 ┆ med ┆ 0.013028 │ │ M202502 ┆ med ┆ 0.014843 │ └────────────┴──────┴──────────┘
✅ 注意事项：
-
unpivot()是惰性操作，若上游df为 LazyFrame，结果仍为 LazyFrame；如需立即执行，可链式调用.collect()。 - 若原始聚合结果含多余列（如
count），建议提前用.select()明确保留所需列，避免干扰unpivot逻辑。 - 可直接对接可视化库：例如用 Plotly Express 绘图时，
px.line(df_long, x="month_code", y="value", color="type")即可生成双线趋势图。
总之，df.unpivot(index=...) 是 Polars 生态中转换聚合数据为可视化就绪格式的标准、简洁且高效的方式——告别手动拼接与重复循环，让数据整形回归表达本质。
