本文介绍如何将具有多级列索引（如层级为 (Category, Subcategory)）且包含日期列的 DataFrame，通过 melt 配合 MultiIndex 预处理，高效转换为规整的长格式（即列名层级变为普通列，数值与日期对齐）。
本文介绍如何将具有多级列索引（如层级为 (category, subcategory)）且包含日期列的 dataframe，通过 `melt` 配合 multiindex 预处理，高效转换为规整的长格式（即列名层级变为普通列，数值与日期对齐）。
在实际数据分析中，我们常遇到以 MultiIndex 列组织的宽格式数据——例如按业务类别（如 'A', 'B'）和指标维度（如 'X', 'Y'）嵌套命名的列，同时附带一个非嵌套的日期列（如 'Date'）。这种结构虽利于分组查看，却不便于后续聚合、绘图或送入机器学习流程。目标是将其“压平”为标准长格式：每个原始单元格对应一行，其行标签由原列的两级名称拆解为 Start（第一级）和 End（第二级），数值存入 Value 列，并保留 Date 列对齐。
以下是一个完整、可复现的解决方案：
import pandas as pd
# 构造示例数据（含 None 的 MultiIndex 列）
df = pd.DataFrame([[1, 2, 3, 4, 'May-08']],
columns=pd.MultiIndex.from_tuples([
('A', 'X'), ('A', 'Y'),
('B', 'X'), ('B', 'Y'),
(None, 'Date') # 注意：此层级为 None，需特殊处理
]))
# 步骤 1：清理 MultiIndex 中的 None/NaN —— 替换为空字符串（避免 melt 报错）
# （若原始列中空层级已为 ''，则此步可跳过）
df.columns = pd.MultiIndex.from_frame(
df.columns.to_frame().fillna('')
)
# 步骤 2：执行 melt —— 将除 Date 列外的所有列展开
# 注意：('','Date') 是清理后形成的合法元组键；var_name 指定新生成的两列名
result = df.melt(
id_vars=[('', 'Date')], # 保持为行不变的列（即 Date 列）
var_name=['Start', 'End'], # 将原 MultiIndex 的两级自动拆为两列
value_name='Value' # 原始数值统一命名为 Value
).rename(columns={('', 'Date'): 'Date'}) # 清理列名，将 ('','Date') 改为 'Date'
print(result)
输出结果为：
Date Start End Value 0 May-08 A X 1 1 May-08 A Y 2 2 May-08 B X 3 3 May-08 B Y 4
✅ 关键要点说明：
- melt 本身不直接支持含 None 的 MultiIndex 列作为 id_vars，因此必须先用 fillna('') 统一空层级；
- var_name=['Start', 'End'] 是 melt 对 MultiIndex 列的原生支持——它会自动将每列的元组 (level0, level1) 拆解并填充至对应新列；
- 若你的原始 MultiIndex 中空层级已是空字符串 ''（而非 None），则无需 fillna 步骤，可直接 melt；
- 最终列名清洗（rename）仅用于语义清晰，不影响逻辑，可根据实际需求调整。
该方法稳健、可扩展：即使新增 'C' 类别或更多子维度（如三级索引），只需确保 var_name 列表长度匹配，即可自动适配。对于含时间序列的宽表标准化，这是兼顾简洁性与鲁棒性的推荐实践。
