如何将按年份分多列的Pandas DataFrame转换为含年份列与值列的单列结构？

看起来你可能在表述期望输出时有点小混淆——重复的列名（a、b、c、d重复两次）在Pandas DataFrame里是不推荐的，而且结合你提到的年份列和值列的需求，你真正想要的应该是一个长格式的DataFrame，每行对应一个「类别（a/b/c/d）-年份」的组合，包含年份、类别、值三个列。

先明确你的输入DataFrame结构，应该是这样的：

import pandas as pd

# 输入的宽格式DataFrame
df_wide = pd.DataFrame({
    '年份': [2015, 2016],
    'a': [1, 5],
    'b': [2, 6],
    'c': [3, 7],
    'd': [4, 8]
})

下面两种方法都是比for循环高效得多的矢量化操作，完全满足你的需求：

方法1：用melt函数（直观易读） #

melt是Pandas专门为宽转长设计的函数，只需要指定作为标识符的列（这里是年份），然后把其他列转成「变量-值」对：

df_long = df_wide.melt(
    id_vars='年份',       # 保留作为标识符的列
    var_name='类别',     # 原列名（a/b/c/d）对应的新列名
    value_name='值'      # 原列值对应的新列名
)

# 按年份排序，匹配你要的输出顺序（2015的a-d在前，2016在后）
df_long = df_long.sort_values('年份').reset_index(drop=True)

最终输出的df_long就是：

方法2：用stack方法（性能更优） #

如果把年份设为索引，stack可以快速把列转成行，适合处理大数据集：

# 先将年份设为索引
df_indexed = df_wide.set_index('年份')
# stack转长格式，然后重置索引并命名列
df_long = df_indexed.stack().reset_index()
df_long.columns = ['年份', '类别', '值']

# 同样按年份排序
df_long = df_long.sort_values('年份').reset_index(drop=True)

为什么这两种方法比for循环好？ #

• 性能更高：Pandas的melt和stack都是底层用C实现的矢量化操作，避免了Python层面的循环开销，数据量越大，优势越明显。
• 代码更简洁：一行/几行代码就能完成转换，可读性和可维护性远高于for循环。
• 更符合Pandas idiom：这是Pandas处理宽转长场景的标准做法，团队里其他熟悉Pandas的开发者一眼就能看懂。

如果你之前用melt没得到预期结果，大概率是没正确设置参数或者没做排序调整，按上面的代码应该就能解决问题。

内容的提问来源于stack exchange，提问作者Enrique Ortiz de Zárate