id_vars应选不变的维度列（如['date','region']），value_vars选要摊开的指标列（如['sales_q1','sales_q2']）；需用var_name/value_name重命名新列；multiindex列须先展平；ignore_index=false可避免索引重建性能损耗。
宽表转长表时，melt 的 id_vars 和 value_vars 怎么选？
选错这两项是宽转长失败最常见的原因。如果没指定 id_vars，Pandas 会默认把所有非数值列当标识列，结果可能漏掉关键维度；如果 value_vars 指定为空或范围不对，就会丢数据或混入不该展开的列。
-
id_vars应该是那些“不变”的维度列，比如['date', 'region']这类标识观测单位的字段 -
value_vars是你要“摊开”的指标列，比如['sales_q1', 'sales_q2', 'sales_q3'] - 如果不确定哪些列要展开，先用
df.columns.tolist()看清结构，再手动过滤出指标列（常用命名模式如含'_q'、'_2023'、'_avg'） - 不指定
value_vars时，Pandas 会自动取除id_vars外的所有列——这在列名规整时可行，但一旦有冗余列（如备注、校验字段），就会污染长表
如何控制新生成的变量名和值列名？
melt 默认生成 variable 和 value 两列，但实际项目中几乎都需要重命名，否则下游代码难维护。
- 用
var_name参数改变量名列名，比如var_name='quarter' - 用
value_name参数改值名列名，比如value_name='sales_amount' - 如果原始指标列名自带含义（如
['revenue_jan', 'revenue<em>feb']</em>），可配合str.extract(r'([a-z]+)')提取后重命名，避免硬编码 - 注意：这两个参数只影响新列名，不影响原始
id_vars列，也不改变数据内容
遇到多级列名或嵌套结构时，melt 还能用吗？
不能直接用。Pandas 的 melt 只处理扁平列名，遇到 MultiIndex 列（比如 groupby.agg 后的双层列名），会报错 ValueError: Unstacked DataFrame is not a valid input 或静默丢失层级。
- 先用
df.columns = ['_'.join(col).strip() for col in df.columns.values]展平列名 - 或更稳妥地：用
df.stack(level=[0,1]).reset_index(name='value')替代melt，再重命名 - 如果列名含元组且需保留语义，建议在 melt 前用
df.columns.map(lambda x: f"{x[0]}_{x[1]}" if isinstance(x, tuple) else x)统一格式 - 直接对 MultiIndex DataFrame 调
melt会导致variable列变成元组，后续str操作容易出错
性能差、内存暴涨？可能是没设 ignore_index=False
默认 ignore_index=True 会重建索引，对百万行以上数据触发全量重索引，显著拖慢速度；更隐蔽的问题是，若原始索引含业务意义（如时间序列的 DatetimeIndex），重建后就丢了。
- 显式传
ignore_index=False，保留原始索引，后续按需 reset - 若需去重或排序，宁可在 melt 后用
sort_values或drop_duplicates，也别依赖 melt 自带的索引重排 - 对超大表，考虑分块读取 + 分块 melt，避免一次性加载全部列——尤其当只有部分列参与展开时
原始列名设计是否规整，比调用 melt 本身更能决定操作成败。临时拼接列名、靠字符串匹配提取维度，长期看不如前置规范命名。
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！
