melt()是最直接的宽转长方式，需显式指定id_vars保留标识列，value_vars可选但建议显式列出，var_name和value_name应重命名以提升语义；多级列名时优先用stack()再reset_index()；Pandas 2.0+可用pivot_longer()支持正则匹配列名；转长后须检查dtypes和缺失值。
用 melt() 是最直接的宽转长方式
绘图库（比如 Matplotlib、Seaborn）普遍要求数据是「长格式」：每行一个观测，变量名和值分列两列。Pandas 的 melt() 就是专干这事的，它不依赖索引结构，语义清晰，出错率低。
常见错误是漏掉 id_vars——比如你有年份、地区列作为标识，却没把它们设为固定列，结果全被“熔”进去了，绘图时坐标轴就乱了。
-
id_vars必须显式指定哪些列保持不动（如['year', 'region']），否则默认全当 value 列处理 -
value_vars可选，不填就自动取除id_vars外的所有列；但建议显式列出，避免新增列后逻辑意外变更 -
var_name和value_name用来重命名新生成的变量列和值列，默认是'variable'和'value'，绘图前最好改成语义名，比如var_name='category'
示例：
df_long = df.melt(id_vars=['date'], var_name='product', value_name='sales')
遇到多级列名时，先 stack() 再 reset_index()
如果宽表列是 MultiIndex（比如按年份+季度嵌套），melt() 会把整个元组当列名，生成难读的字符串（如 "(2023, 'Q1')"）。这时更稳妥的是用 stack()，它天然支持层级折叠。
注意 stack() 默认压栈最内层列，若要压其他层，得传 level= 参数；压完是 Series，必须接 reset_index(name='...') 才能还原成 DataFrame。
- 压栈后列名会变成索引，
reset_index()是必须步骤，否则绘图库读不到字段名 - 如果原列名层级含空格或特殊字符，
stack()不报错但后续列访问容易出问题，建议提前用rename(columns=str.strip)清理 - 性能上，
stack()比melt()略慢，但对万行级数据差异可忽略
示例：
df_long = df.stack([0, 1]).reset_index(name='value')
（假设列是两层 MultiIndex）
用 pivot_longer()（pandas >= 2.0）更接近 tidyverse 风格
新版 Pandas 加入了 pivot_longer()，语法比 melt() 更灵活，尤其适合按正则或列名模式批量选列（比如所有以 '_2023' 结尾的列）。
但它不是完全向后兼容的替代品：旧版没这个函数，且部分参数名和行为与 melt() 不同，混用容易困惑。
- 用
names_pattern可以直接拆分列名，比如r'(\w+)_(\d{4})'能同时提取产品名和年份到新列 -
ignore_index=False保留原始索引，对时间序列绘图很重要；默认是True，会丢掉原有行号 - 如果列名含数字开头（如
'2023_sales'），正则需加^锚定，否则可能匹配失败
示例：
df_long = df.pivot_longer(cols=df.columns.str.contains('_2023'), names_to=['metric', 'year'], names_pattern=r'(.+)_(\d{4})', values_to='value')
绘图前务必检查 dtypes 和缺失值
宽转长后最常踩的坑不是结构，而是类型崩塌：原来整数的销量列，转完变成 object（因为混入了 NaN 或字符串）；或者时间列被当成普通字符串，seaborn.lineplot() 直接画不出趋势线。
缺失值也容易被忽略——melt() 和 stack() 都默认保留 NaN，但很多绘图函数会静默跳过，导致数据量对不上。
- 转完立刻跑
df_long.dtypes，重点看数值列是否还是float64或int64 - 用
df_long.isna().sum()查每列缺失量，别只信df_long.dropna()——有些场景需要插值或标记，而非直接删 - 时间类列若已转为字符串，用
pd.to_datetime()强制转换，别依赖绘图库自动推断
类型错一次，后面所有图表都可能偏移或报错，这步没法跳过。
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！
