本文详解如何对 pandas 多级列（multiindex columns）按指定层级（如 level=1 的 'code'）进行灵活、可控的排序，支持任意用户定义顺序（如 ['field3', 'field2', 'field1']），避免默认字典序限制。

本文详解如何对 pandas 多级列（multiindex columns）按指定层级（如 level=1 的 'code'）进行灵活、可控的排序，支持任意用户定义顺序（如 ['field3', 'field2', 'field1']），避免默认字典序限制。

在使用 df.pivot() 构建多级列 DataFrame 时，列索引（columns）常为 MultiIndex，例如由 ['identifier', 'code'] 构成的两层结构。此时若直接调用 sort_index(axis=1)，pandas 默认按字典序逐层排序（先按 level 0 升序，再按 level 1 升序），无法满足按某一层（如 code）自定义顺序（如 ['field3', 'field2', 'field1']）重排的需求。

正确且健壮的解决方案是借助 pd.CategoricalDtype —— 它能显式声明某一列/索引层级的有序分类类型，使 sort_index() 尊重该预设顺序而非字符串自然序。

✅ 推荐做法：排序后重索引（推荐用于 pivot 前控制）

若你尚在构建 pivot 表阶段，最清晰的方式是在 pivot() 前对原始数据的分组列赋予有序类别类型：

import pandas as pd
from pandas import Timestamp

# 构造原始数据（略）
values = [['IDX100', 'field1', Timestamp('1999-02-01 05:00:00'), '101'], ...]
df = pd.DataFrame(values, columns=['identifier', 'code', 'date', 'value'])

# 指定 code 层级的期望顺序（可任意调整）
custom_order = ['field3', 'field2', 'field1']
codes_dtype = pd.CategoricalDtype(custom_order, ordered=True)

# 对原始 df 的 'code' 列应用有序类型，并 pivot
df_sorted = (df.astype({'code': codes_dtype})
             .pivot(index='date', columns=['identifier', 'code'], values='value')
             .sort_index(axis=1))  # 此处 sort_index 将严格按 custom_order 排列 level=1

print(df_sorted)

输出将严格遵循 field3 → field2 → field1 的列内顺序（每组 identifier 下均一致）：

identifier          IDX100               IDX200              
code                field3 field2 field1 field3 field2 field1
date                                                         
1999-02-01 05:00:00    301    201    101    801    701    601
1999-02-02 05:00:00    302    202    102    802    702    602
1999-02-03 05:00:00    303    203    103    803    703    603

✅ 替代方案：pivot 后手动重建 MultiIndex（适用于已存在 DataFrame）

若 pivot 已完成，且 df.columns 是 MultiIndex，可通过 to_frame() 转为 DataFrame，修改目标层级类型后再重建索引：

# 假设 df 已是 pivot 后的多级列结构
custom_order = ['field3', 'field2', 'field1']
codes_dtype = pd.CategoricalDtype(custom_order, ordered=True)

# 将 MultiIndex 转为普通 DataFrame，对 'code' 列赋类型，再转回 MultiIndex
cols_df = df.columns.to_frame()
cols_df['code'] = cols_df['code'].astype(codes_dtype)
df.columns = pd.MultiIndex.from_frame(cols_df)

# 最后按列索引排序（自动按 Categorical 顺序）
df = df.sort_index(axis=1)

⚠️ 注意事项与最佳实践

• 不要用 reindex() 配合 sorted()：sorted(df.columns) 仅按字符串排序，无法实现跨层级的逻辑分组+子序控制；
• CategoricalDtype 是关键：它让 pandas 知道“field3
• 层级命名需匹配：确保 to_frame() 后的列名与 MultiIndex 的 names 一致（默认为 ['identifier', 'code']）；
• 性能友好：该方法无需遍历或手动拼接列名，底层利用 pandas 优化的分类索引排序，适用于大型数据集；
• 扩展性强：可同时对多个层级定义 CategoricalDtype（如同时约束 identifier 和 code），实现复合排序逻辑。

掌握此技巧，即可精准掌控多级列 DataFrame 的视觉结构与分析逻辑，大幅提升数据透视结果的可读性与业务适配性。