reset_index() 默认仅重置最外层索引（level=0），内层仍保留多级结构；需显式设 level=none 或指定层级才能平铺，且命名冲突会报错而非自动处理。
reset_index() 默认行为只“解开”最外层索引
很多人一上来就写 df.reset_index()，发现只有最上层索引变回列，里面几层还在“嵌套”状态。这是因为 reset_index() 默认只处理 level=0（即最外层），其他层级被保留为多级索引结构——它不是“全量平铺”，而是“单层退栈”。
常见错误现象：ValueError: cannot insert xxx, already exists，往往是因为你没意识到内层索引名和已有列重名，而默认操作又没把它们全拖出来。
- 想彻底平铺所有层级？必须显式传参
drop=False（保留原索引列）+level=None（默认就是None，但得心里有数） - 如果只想平铺特定几层，用
level=[0, 2]或level=['year', 'region']，注意顺序会按索引定义顺序映射到新列位置 -
drop=True会丢弃所有索引列，只剩数据列——这不是平铺，是“削索引”，别误用
列名冲突时，reset_index() 不会自动重命名
多级索引的各层常带名字（比如 df.index.names == ['country', 'year']），一旦这些名字和原始列名重复，reset_index() 就直接报错，而不是加后缀或跳过。
使用场景：读取 Excel 或数据库时，人为设置了索引名，又恰好和业务字段同名（如列里本来就有 country 字段）。
- 先检查冲突：
set(df.index.names) & set(df.columns) - 临时改索引名再平铺：
df.index = df.index.set_names(['country_idx', 'year_idx']) - 或者用
reset_index(col_level=0, col_fill='')无济于事，这个参数只影响列头多级结构，不解决命名冲突
reset_index(drop=False) 后的列顺序不是“索引在前、原列在后”
直觉以为平铺后索引列会整齐排在左边，实际顺序取决于索引层级定义顺序 + 原始列顺序，中间可能穿插。尤其当用了 level 指定子集时，新列插入位置严格按层级在 df.index 中的序号来。
性能影响：列顺序混乱本身不伤性能，但后续用 df[['a','b','c']] 等硬编码列名的操作容易出错；更隐蔽的是，某些序列化（如 to_parquet）对列序敏感，不同环境读出来字段位置可能不一致。
- 安全做法：平铺后立刻用
df = df[sorted(df.columns)]或显式排列：df = df[['country', 'year'] + [c for c in df.columns if c not in ['country','year']]] - 别依赖
reset_index()的“自然顺序”，它只是忠实还原索引层级结构，不是 UI 友好型操作
替代方案：stack().reset_index() 更可控但代价高
真要暴力平铺且不怕慢，df.stack([0,1]).reset_index() 是另一种思路——先把多级索引压成一列，再重置。但它本质是重塑结构，会引入 level_0, level_1 这类无意义列名，还得手动 rename。
兼容性影响：在旧版 Pandas（stack() 对空层级处理不稳定；新版虽修复，但内存占用明显更高，因为中间生成了长格式 DataFrame。
- 仅建议用于调试或小数据：确认索引层级是否真如预期，
df.index.to_frame().head()更轻量 - 生产代码优先用
reset_index(level=list_of_levels, drop=False)，明确、低开销、易维护 - 别为了“看起来更彻底”选 stack，Pandas 的索引设计本就不鼓励无脑扁平化
平铺多级索引真正的复杂点不在语法，而在你是否清楚每一层索引的语义是否该变成列——有些层级其实是维度标签（如实验批次），强行平铺反而破坏分析逻辑。动手前，先 print(df.index) 看三秒。
