pandas melt(): 将宽格式数据转换为长格式的最佳方式

宽格式数据便于阅读，但许多分析和可视化任务在长格式下效果更佳。

pandas.melt() 函数通过将一个或多个列转为行、同时保留选定的标识符列不变，来重塑 DataFrame。这使您的数据更易于筛选、分组、可视化与分析。

在本教程中，我将向您演示如何使用 pandas.melt() 函数，并比较它与 pivot()、stack() 和 wide_to_long() 等选项的差异。如果您刚开始学习 Python，我建议您参加 our Introduction to Python course，该课程涵盖数据类型、列表、基础函数和包等技能。

如何使用 pandas.melt()

pandas.melt() 通过将列名转换为新列中的取值，把 DataFrame 从宽格式转换为长格式。

其语法如下：

pandas.melt(
    frame,
    id_vars=None,
    value_vars=None,
    var_name=None,
    value_name="value",
    col_level=None,
    ignore_index=True
)

其中：

• frame：要重塑的 DataFrame。仅在使用 pandas.melt() 时必填。

• id_vars：需要保持不变的列或列列表。这些列在重塑后用于标识每一行。

• value_vars：要“反透视”（unpivot）的列或列列表。如果省略，pandas 会熔化所有不在 id_vars 中的列。

• var_name：存储原始列名的新列名称。若未指定，默认为 “variable”。

• value_name：存储数值的新列名称。若未指定，默认为 “value”。

• col_level：可选，在处理多级列索引（MultiIndex）时指定要熔化的层级。

• ignore_index：若为 True（默认），创建新的顺序索引；若为 False，保留原始索引。

下面通过一个示例演示上述语法如何重塑数据。

假设您有如下数据集，每个产品的月度销量分别存放在不同的列中。

您可以使用 pandas.melt() 将月份列转换为行。

# Convert the DataFrame from wide format to long format
products_sales_2025_melted = products_sales_2025.melt(
    # Keep the Product and Category columns unchanged
    id_vars=["Product", "Category"],

    # Convert the month columns into rows
    value_vars=["January", "February", "March", "April", "May", "June"],

    # Name of the new column that stores the original column names
    var_name="Month",

    # Name of the new column that stores the corresponding sales values
    value_name="Sales"
)

# Display the reshaped DataFrame
products_sales_2025_melted.head(10)

得到的 DataFrame 现在将每个月份作为单独的行存储。

常见的 pandas.melt() 示例

既然您已经理解了 pandas.melt() 的语法，下面展示各参数单独使用时的行为。接下来的示例将使用上面的表格。

仅熔化选定列

value_vars 参数可指定要反透视的列。您可以只转换需要的列，而不是熔化每一个月份。

在此示例中，仅熔化了一月和二月列。其余月份列将被忽略。

# Convert only the January and February columns into rows
product_sales_3month = products_sales_2025.melt(
    id_vars="Product",
    value_vars=["January", "February",]
)

product_sales_3month.head(20)

保留标识符列

使用 id_vars 参数可在重塑其他列的同时，保留一个或多个列不变。

在下面的示例中，“Product”和“Category”保持不变，而月度销量列被转换为行。

# Keep the Product and Category columns while melting the monthly sales
product_sales_cat = products_sales_2025.melt(
    id_vars=["Product", "Category"]
)

product_sales_cat.head()

重命名输出列

您会注意到，输出列默认命名为 variable 和 value。使用 var_name 和 value_name 参数为它们赋予更具描述性的名称。

例如，在下面的输出中，我们将变量列重命名为“Month”，将数值列重命名为“Sales”。

# Keep the Product and Category columns while melting the monthly sales
# Rename Month and Sales columns
product_sales_cat = products_sales_2025.melt(
    id_vars=["Product", "Category"],
    var_name="Month",
    value_name="Sales"
)

product_sales_cat.head()

保留原始索引

默认情况下，pandas.melt() 会创建新的顺序索引。将 ignore_index=False 设置为保留原始行索引。

# Keep the original row index after reshaping
product_sales_index = products_sales_2025.melt(
    id_vars=["Product", "Category"],
    var_name="Month",
    value_name="Sales",
    ignore_index=False
)

product_sales_index.head(10)

在上面的示例中，原始行标签（0–5）会在每个月份重复，而不是被新的顺序索引替换。

何时应该使用 pandas.melt()？

pandas.melt() 适用于当数据为宽格式、需要转换为长格式以便分析或可视化的场景。我也常在以下用例中使用该函数：

• 将宽格式数据转换为长格式：许多数据集把相关数值分散在多个列中。虽然这种格式易读，但会增加分析难度。pandas.melt() 能将这些列合并为单一列，同时保留标识符列，从而为后续处理创建更清晰的结构。

• 为绘图做准备：许多绘图库（如 Seaborn）在创建图表时更偏好长格式数据。与其手动合并多列，不如使用 pandas.melt() 将数据重塑为这些库期望的格式。

• 为统计分析做准备：当测量值集中在单一列而非分散在多列时，许多 pandas 操作（包括 groupby()、聚合、筛选和汇总统计）会更简单。使用 pandas.melt() 重塑数据，可减少针对不同变量编写的代码量。

• 创建整洁数据集：整洁数据集要求每个变量存放在自己的列、每条观测占据自己的行。如果您的数据集中在多个列中包含重复测量，pandas.melt() 往往是将其转换为整洁格式的最快方式。

我建议您参加我们的 Introduction to Data Visualization with Seaborn 课程，学习如何在 Python 中创建并自定义多种图表，包括散点图、计数图、柱状图和箱线图。

pandas.melt() 与其他重塑函数的比较

Pandas 提供了多种数据重塑函数，各有用途。下面来比较它们之间的差异。

pandas.melt() vs. pivot()

下表展示了 pandas.melt() 与 pivot() 函数的区别。

因此，当测量值分散在多个列中时选择 melt()；当您希望将行中的取值展开到各列时使用 pivot()。

pandas.melt() vs. stack()

虽然二者都能重塑数据，但它们的差异如下。

您 can 在需要处理分层索引或 MultiIndex 对象时使用 stack()。

pandas.melt() vs. wide_to_long()

两者都将宽数据转换为长格式，but 它们面向的情形不同，如下所示。

如果您的数据集列名不规则，请使用 melt()。如果列遵循可预测的命名规范，请使用 wide_to_long() 以更少的代码完成重塑。

使用 pandas.melt() 的常见错误

尽管 pandas.melt() 使用起来相对直接，但我遇到过以下常见陷阱，以及对应的修正方法。

• 忘记设置 id_vars：如果您未指定 id_vars，pandas 会将未列入 value_vars 的所有列视为数值列。这可能会把您原本想保留为标识符的列重塑掉。要修正这一点，请始终识别能唯一描述每条记录的列，并将它们传入 id_vars。

• 意外熔化了不该处理的列：如果省略 value_vars，pandas 会熔化所有未包含在 id_vars 中的列，这可能包含您并不打算重塑的列。因此，当您只想熔化部分列时，应始终显式指定 value_vars。

• 误解输出形状：熔化后，行数会增加，因为每个被选中的列会为每条记录生成一行。例如，一个有 10 行和 12 个月份列的 DataFrame，在熔化月份列后会产生 120 行。因此，请始终在重塑前后检查数据形状，确认熔化是否符合预期。

• 混淆宽格式与长格式：务必记住，宽格式中，相似的取值分布在多个列中；而在长格式中，相似的取值集中在单一列中，另有一列用于标识变量。

使用 pandas.melt() 的最佳实践

为了让您的重塑代码更易理解与维护，使用 pandas.melt() 时我建议遵循以下最佳实践：

• 先识别标识符列：确定哪些列应保持不变，然后将它们传入 id_vars。

• 重命名生成的列：使用 var_name 与 value_name，而非依赖默认的 variable 与 value 列名。

• 在熔化后检查行数：尤其在熔化多列时，验证行数是否符合预期。

• 需要还原时使用 pivot()：分析结束后若需恢复到原始宽格式，使用 pivot() 函数。

参加 our Writing Efficient Python Code 课程，了解如何编写高效、易调试与易维护的代码。

结语

pandas.melt() 是将宽格式数据转换为长格式数据的标准 pandas 函数。一旦理解了 id_vars 与 value_vars 的作用，您就可以控制哪些列作为标识符保留、哪些列转换为行。

若想系统学习 Python，您可以进一步学习我们的 Python Data Fundamentals 和 Python Programming Fundamentals 技能路径。