pandas.dataframe.t 实现行列结构翻转，需预先设置有意义索引以避免列名丢失；若需按某列值展开为多列，则必须用 pivot() 或 pivot_table()，melt() 与之配合完成宽长表转换。
用 pandas.DataFrame.T 做基础转置，但要注意索引和列名的互换
df.T 是最直接的行转列操作，它会把原 DataFrame 的行索引变成列名，列名变成新行索引。这不是“数据透视”，而是纯结构翻转——适合行列语义对等、不需要聚合的场景。
常见错误是转置后发现列名变成了奇怪的 RangeIndex 或丢失了原始信息。这是因为如果原 df 没有显式设置有意义的索引（比如用 set_index()），T 后的新列名就是默认数字，难以读取。
- 转置前建议先确认：是否希望某列成为新列名？如果是，先用
set_index('col_name') - 转置后若列名是数字且不可读，可用
df.T.rename(columns={0: 'a', 1: 'b'})重命名，或直接赋值df.T.columns = ['a', 'b'] - 注意：含混合数据类型（如 str + int）的列转置后可能触发
object类型广播，数值列变字符串——这不是 bug，是 pandas 类型推断行为
用 pandas.pivot() 实现带逻辑的“行转列”，而非单纯翻转
当你说“行转列”，实际常指把某列的值“摊开”成多个列（比如把 category 列的 'A', 'B', 'C' 变成三列），这时 .T 完全不适用，必须用 pivot()。
关键点在于：你得明确指定 index（新行依据）、columns（要摊开的列）、values（填入单元格的值）。漏掉任一参数都会报 KeyError 或 ValueError: Index contains duplicate entries。
安全 Python 代码沙箱：在隔离的沙箱中执行任意 Python 代码，预装 requests、NumPy、pandas 库。返回 stdout、stderr。
- 如果
index和columns组合不唯一（即同一组 index+columns 对应多行），pivot()直接报错；此时改用pivot_table()并指定aggfunc -
pivot()不接受重复键，但pivot_table(index='x', columns='y', values='z', aggfunc='first')可以兜底 - 转置后新列名默认是
columns列的原始值，若含空格或特殊字符，会被自动转成合法标识符（如'sales Q1'→'sales_Q1'），可通过rename()手动还原
用 pandas.melt() 和 pivot() 配合处理宽表 ↔ 长表转换
真正复杂的“行转列”往往出现在宽表（wide format）和长表（long format）互转中。melt() 是“列转行”的逆操作，而 pivot() 是它的反向搭档——两者配合才能闭环。
例如原始数据是长表：id, variable, value，想按 id 分组、把 variable 的每个唯一值变成列、填入对应 value，就得先 df.pivot(index='id', columns='variable', values='value')。
- 如果
value列有缺失，pivot()默认填NaN；需要填 0 可加.fillna(0)，但注意这会改变 dtype（如int64→float64） - 转置结果若列顺序混乱，可用
reindex(columns=['A', 'B', 'C'])强制排序，避免依赖原始数据顺序 - 性能上，
pivot()比循环 +groupby().apply()快一个数量级，但内存占用略高——大数据量时留意MemoryError
为什么 transpose() 方法和 .T 属性效果一样，但别混用链式调用？
df.transpose() 和 df.T 功能完全一致，都是调用底层 NDFrame.transpose()。区别只在可读性和链式写法兼容性。
容易被忽略的是：在方法链中（比如 df.query(...).groupby(...).T），.T 是属性访问，不能传参；而 .transpose() 是方法，支持传 copy=True 或 axes=...。但绝大多数情况无需这些参数。
- 不要写
df.T().reset_index()——.T后面不能加括号，这是语法错误 - 如果需在转置后立即重命名列，用
df.T.rename(columns=str.title)比先赋值再 rename 更紧凑 - 涉及 MultiIndex 时，
.T会交换整个层级结构（level 0 ↔ level 1），不是只翻转最外层；若只想翻转某一层，得用swaplevel()配合sort_index()
df.duplicated(subset=['index_col', 'pivot_col']).any() 和 df['pivot_col'].is_unique，比报错后再调试快得多。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！
