如何高效重塑Pandas DataFrame？求替代pd.wide_to_long的简便方案

给定输入DataFrame：

import pandas as pd

inputTable = pd.DataFrame({
    'A' : [1, 2, 3, 4, 5],
    'B' : [2, 3, 4, 5, 6],
    'C' : [3, 4, 5, 6, 7]
})

需要转换为如下长表结构：

resultingTable = pd.DataFrame({
    'Category' : ['A', 'A', 'A', 'A', 'A', 'B', 'B', 'B', 'B', 'B', 'C', 'C', 'C', 'C', 'C'], 
    'Value'    : [1, 2, 3, 4, 5, 2, 3, 4, 5, 6, 3, 4, 5, 6, 7]
})

已知pd.wide_to_long()在此场景下过于冗余，除了pd.melt()，以下是几种更简洁高效的实现方式：

方法1：使用stack()方法 #

stack()是处理宽表转长表的轻量方法，尤其适合这种无额外索引的简单场景：

# 链式写法一步到位
output = (inputTable.stack()
                   .reset_index(name='Value')
                   .drop('level_0', axis=1)
                   .rename(columns={'level_1': 'Category'}))

stack()会将列标签转为行索引的一部分，后续通过reset_index()将其转回列，再调整列名即可得到目标结构。

方法2：简化版pd.melt() #

pd.melt()本身就是为宽转长场景设计的，写法可以极度简洁：

output = pd.melt(inputTable, var_name='Category', value_name='Value')

直接指定var_name（原列名对应的新列名）和value_name（原数值对应的新列名），一行代码完成转换。

方法3：实例方法版melt() #

与上面的pd.melt()逻辑完全一致，只是以DataFrame实例方法的形式调用，更符合面向对象的编码习惯：

output = inputTable.melt(var_name='Category', value_name='Value')

效率说明 #

在小规模数据集上，这些方法的性能差异可以忽略；但处理大规模数据时，stack()和简化版melt()都比wide_to_long()更高效，因为不需要处理复杂的参数映射逻辑。

内容的提问来源于stack exchange，提问作者striatum