嘿，刚接触Python Pandas确实会被这种数据结构转换搞懵，我来帮你理清楚！你想要的其实是把宽格式的DataFrame转成窄格式——简单说就是把年份相关的列拆成“年份+对应数值”的行，每个国家对应每一年的数据。Pandas里有个专门的函数melt()正好干这个事，比手动折腾行索引靠谱多了。

先模拟一下你现在的DataFrame结构（方便你对照）：

import pandas as pd

# 假设你的原始数据长这样
df = pd.DataFrame({
    '国家': ['中国', '美国', '日本'],
    'STATUS_YR_2020': [100, 200, 150],
    'STATUS_YR_2021': [120, 220, 160],
    'STATUS_YR_2022': [130, 230, 170]
})

解决方案：用melt()一键转换 #

直接用melt函数指定要保留的固定列、新列的名称就行：

# 核心转换代码
transformed_df = df.melt(
    id_vars=['国家'],  # 保持不变的列（这里就是国家列）
    var_name='年份',   # 原来的年份列名会放到这个新列里
    value_name='数值'  # 原来的单元格数值对应到这个新列
)

# 如果想把"STATUS_YR_"前缀去掉，只保留年份数字，加这一步：
transformed_df['年份'] = transformed_df['年份'].str.replace('STATUS_YR_', '')

转换后你会得到这样的结果：

补充说明 #

• 如果你的原始年份列名直接是2020、2021这种（没有STATUS_YR_前缀），那更简单，去掉后面的字符串替换步骤就行。
• 你之前试的移动行、重置索引为啥越搞越乱？因为那些操作是调整行的顺序或索引，不是针对这种“宽表转窄表”的结构化转换，melt是Pandas专门为这类场景设计的工具，比手动操作高效且不易出错。

备注：内容来源于stack exchange，提问作者Patrick