reset_index 默认不修改原dataframe，需显式赋值（如df = df.reset_index()）或用drop=true丢弃旧索引；pandas 2.0起inplace已弃用；多级索引会全丢；非set_index完全逆操作；大数据量时慎用以防性能瓶颈。
reset_index 为什么没生效？默认不修改原 DataFrame
调用 reset_index 后发现索引还是老样子，数据也没变——这是最常踩的坑。它默认返回新 DataFrame，原对象不动。
- 必须显式赋值：比如
df = df.reset_index()，否则只是“算了下，没存” - 想就地修改？加参数
inplace=True，但注意：从 pandas 2.0 开始，inplace已被弃用，官方推荐用赋值方式 - 链式操作时尤其容易漏，比如
df.query("x > 1").reset_index()，结果没接住，白调了
重置后旧索引去哪了？默认变成普通列，可选丢弃
执行 reset_index 后，原来的行索引会作为一列加入 DataFrame，列名通常是 index（如果原来没命名）或继承原索引名。
- 不想保留旧索引？加参数
drop=True，例如df.reset_index(drop=True) - 旧索引有名字（比如叫
"date"），且你希望它变成列名，那就别设drop=True；设了就彻底丢掉，连名字都找不回来 - 多级索引（MultiIndex）场景下，
drop=True会丢掉所有层级，不是只丢最外层
reset_index 和 set_index 是反向操作，但不完全对称
很多人以为 reset_index 就是 set_index 的“撤回键”，其实有细节偏差。
-
set_index(["a", "b"])生成 MultiIndex；对应重置时，reset_index()会把"a"和"b"都变回普通列——这点是对称的 - 但如果你用
set_index("a", drop=False)把列"a"同时保留在列和索引中，reset_index()不会还原这个drop=False状态，它只管索引本身 - 索引含重复值？
reset_index毫无压力；但反过来，用该列set_index会成功，只是后续按索引取值可能返回多行——这点容易被忽略
性能敏感时要注意：reset_index 触发拷贝，大数据慎用
对百万行以上 DataFrame 频繁调用 reset_index，可能成为性能瓶颈，因为它默认深拷贝数据。
- 如果只是临时需要连续整数索引（比如画图、切片），且确定不改原数据，可用
df.index = range(len(df))绕过拷贝 -
reset_index(drop=True)比带列名的版本稍快，因少一次列插入操作 - 在
groupby().apply()或pd.concat()后常需重置索引，这时建议统一在最后一步做，别每步都 reset
set_index 的非完全可逆性——这些地方一不留神就埋雷。Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
