数据重塑：宽格式与长格式的相互转换

在数据处理中你经常遇到两种表格格式。宽格式（Wide） 是每个变量一列、每行一个观测——适合人类阅读和 Excel 展示。长格式（Long） 是所有值堆在一列里、用另一列标识变量名——适合绘图和做分析。

宽转长：melt()

import pandas as pd

wide = pd.DataFrame({
    'model': ['GPT-4o', 'Claude', 'Llama'],
    'MMLU': [88.7, 89.2, 84.5],
    'HumanEval': [92.0, 93.1, 82.4],
    'MATH': [76.6, 71.1, 50.4],
})

long = wide.melt(
    id_vars=['model'],       # 不变的主键列
    var_name='metric',        # 原来的列名变成这个新列的值
    value_name='score'        # 原来的数值变成这个新列
)

print("宽格式:")
print(wide)
print("\n长格式:")
print(long)

melt() 的作用是把"多列指标"拆成"两列：一列记录指标名称、一列记录指标值"。这在 LLM 评测场景中特别常见——你的原始数据可能是每个模型一行、每个评测指标一列（宽格式），但画图或做对比分析时需要长格式（每个模型×指标组合一行）。

长转宽：pivot()

wide_again = long.pivot(
    index='model',
    columns='metric',
    values='score'
).reset_index()
print(wide_again)

pivot() 是 melt() 的逆操作——它把长格式还原回宽格式。注意 pivot() 要求 (index, columns) 的组合是唯一的，如果有重复值会报错。如果确实有重复值需要聚合，应该用 pivot_table() 并指定 aggfunc：

summary = long.pivot_table(
    index='model',
    columns='metric',
    values='score',
    aggfunc='mean'
)

stack() 和 unstack()：基于索引的重塑

melt()/pivot() 操作的是 DataFrame 的列，而 stack()/unstack() 操作的是索引层级：

df = pd.DataFrame({
    'GPT-4o': [88.7, 92.0, 76.6],
    'Claude': [89.2, 93.1, 71.1],
}, index=['MMLU', 'HumanEval', 'MATH'])

stacked = df.stack()
unstacked = stacked.unstack()

print(f"\nStack 后形状: {stacked.shape} (Series)")
print(stacked.head())

stack() 把列"压入"行索引变成一个多层索引 Series；unstack() 反过来把最内层索引展开成列。当你需要在多层索引和扁平结构之间转换时这对方法非常有用。