使用 Polars 的 unpivot() 方法可一键将宽格式聚合结果（含 month、avg、med 等列）转换为适合绘图的长格式，指定 index="month" 即自动展开其余数值列，无需手动列举变量。
使用 polars 的 `unpivot()` 方法可一键将宽格式聚合结果（含 month、avg、med 等列）转换为适合绘图的长格式，指定 `index="month"` 即自动展开其余数值列，无需手动列举变量。
在数据分析流程中，完成按时间分组的统计聚合（如月度均值、中位数）后，常需将结果转换为「长格式」（long format）以兼容主流可视化库（如 Plotly、Altair 或 Polars 自带的 .plot）。Polars 提供了语义清晰、性能高效的 unpivot() 方法——它是旧版 melt() 的现代替代，专为这类结构化重塑设计。
假设你已通过 Polars 完成如下聚合：
df = (
data.group_by("month_code")
.agg(
pl.col("value").mean().alias("avg"),
pl.col("value").median().alias("med")
)
.sort("month_code")
)
# 注意：此处无需 .collect()，保持 LazyFrame 更高效
得到宽格式 DataFrame：
shape: (3, 3) ┌────────────┬──────────┬──────────┐ │ month_code ┆ avg ┆ med │ │ --- ┆ --- ┆ --- │ │ str ┆ f64 ┆ f64 │ ╞════════════╪══════════╪══════════╡ │ M202412 ┆ 0.037824 ┆ 0.01381 │ │ M202501 ┆ 0.03616 ┆ 0.013028 │ │ M202502 ┆ 0.038919 ┆ 0.014843 │ └────────────┴──────────┴──────────┘
只需一行即可完成重塑：
df_long = df.unpivot(index="month_code", variable_name="type", value_name="value")
✅ index="month_code"：声明保留为标识列（即 x 轴维度）；
✅ variable_name="type"：指定新列名，用于存储原列名（如 "avg"、"med"），对应图例分组；
✅ value_name="value"：指定新列名，存放被展开的数值（默认为 "value"，可省略）。
输出即为标准长格式，可直接传入可视化接口：
# 示例：使用 Polars 内置绘图（需 polars[plot]）
df_long.plot.line(x="month_code", y="value", color="type",
title="Monthly Avg vs Median", width=400, height=350)
# 或导出为 pandas（如需 Altair/matplotlib）
df_pandas = df_long.to_pandas()
⚠️ 注意事项：
-
unpivot()是惰性操作（LazyFrame 支持），避免过早.collect()； - 若原始列名含空格或特殊字符，
unpivot仍能正确处理，但建议命名时保持简洁（如avg,med）； - 不要混淆
unpivot()与pivot()：前者「列→行」（宽→长），后者「行→列」（长→宽）； - 若需对特定列展开（而非除 index 外全部列），可显式传入
on=["avg", "med"]参数。
总结：df.unpivot(index="month", variable_name="type") 是 Polars 中实现聚合结果可视化就绪转换的最简、最健壮方案——语义明确、零冗余代码、完全惰性且向后兼容。
