python 3 中 melt 的逆操作是 pivot 和 pivot_table：pivot 要求 index+columns 组合唯一，否则报错；pivot_table 支持聚合解决重复问题；unstack 功能类似但更底层、易出 multiindex。
直接说结论：Python 3 中没有 melt 的“逆向函数”叫 unmelt，但 pandas 提供了标准解法：pivot 和 pivot_table —— 它们才是 melt 的真正逆操作，选哪个取决于你的数据是否满足唯一性约束。
什么时候用 pivot？数据必须满足“索引+列组合唯一”
pivot 是最干净的 melt 逆操作，但它要求：对任意一组 index 和 columns 值，values 列只能有一个对应值。否则会报错：ValueError: Index contains duplicate entries, cannot reshape。
常见适用场景：实验记录（每个 subject × time 只有一条测量）、用户-商品评分（每个 user × item 最多一条评分）。
- 语法：
df.pivot(index='id', columns='variable', values='value') - 结果默认不保留原始列名层级，若需还原列名前缀，加
.add_prefix('col_') - 如果
values是数值型但含缺失，pivot会自动填NaN，不报错
为什么突然报错“duplicate entries”？该切到 pivot_table
只要同一组 index + columns 出现多条 values 记录，pivot 就失败——这不是 bug，是设计使然。这时必须改用 pivot_table，它本质是带聚合的透视。
典型踩坑场景：日志数据（同一个 user_id × event_type 可能有多个 timestamp）、传感器采样（同一 device × metric 在一秒内多次上报）。
- 基础写法：
df.pivot_table(index='user_id', columns='event', values='ts', aggfunc='first') -
aggfunc可选'mean'、'count'、lambda x: x.iloc[-1]等，按需选；不指定则默认用'mean' - 注意：
pivot_table默认会把columns变成列索引（MultiIndex），加fill_value=0可替换 NaN
set_index + unstack 和 pivot 有什么区别？
功能上高度重合，但行为细节不同：unstack 更底层、更灵活，也更容易意外炸出 MultiIndex 列。
当你已经用 melt 得到三列（如 id, variable, value），想转宽表时，unstack 要求先设好索引：
- 正确链式写法：
df.set_index(['id', 'variable'])['value'].unstack('variable') - 漏掉
['value']会返回 DataFrame，unstack后列变成二级索引，处理起来反而麻烦 - 如果
variable有重复值，unstack同样报错，且错误信息不如pivot直观
实际项目里，优先写 pivot 或 pivot_table。它们语义明确、容错提示友好，而 unstack 更适合在已有分层索引结构上做微调。宽格式转换真正的难点不在函数选择，而在确认原始长表中“哪些字段构成唯一键”——这个逻辑错一点，后面全错。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
