本文介绍如何将 pandas 透视表（pivot_table）生成的多级列索引（MultiIndex columns）高效展平为单层列名，例如将 ('value1', 'a') 转换为 'a_value1'，并重置索引以获得结构清晰、可直接用于建模或导出的宽格式 DataFrame。
本文介绍如何将 pandas 透视表（pivot_table）生成的多级列索引（multiindex columns）高效展平为单层列名，例如将 `('value1', 'a')` 转换为 `'a_value2'`，并重置索引以获得结构清晰、可直接用于建模或导出的宽格式 dataframe。
在使用 pd.pivot_table() 处理长格式数据时，若指定多个 values 列（如 ['value1', 'value2']）和一个 columns 维度（如 'Category'），pandas 会自动创建双层列索引：外层为 value 字段名，内层为 category 取值。这种结构虽利于分组查看，但不便于后续分析、写入数据库或机器学习特征工程——此时需将其“展平”（flatten）为语义明确的单层列名。
核心步骤分为两步：
- 重命名多级列为扁平字符串：利用 table.columns.to_flat_index() 获取所有 (value_field, category) 元组，再通过列表推导式构造新列名（推荐按 category_value 格式，更符合直觉且避免列名冲突）；
- 重置行索引：调用 reset_index() 将原 IDNum 索引转为普通列，确保最终结果为标准二维表格。
以下是完整可运行示例：
import pandas as pd
# 构造原始数据
df = pd.DataFrame({
'IDNum': [1, 1, 2, 3, 3, 4],
'Category': ['a', 'b', 'a', 'c', 'b', 'b'],
'value1': [1.5, 2.2, 3.6, 5.1, 6.0, 1.0],
'value2': [2.0, 3.6, 4.5, 8.2, 6.1, 1.2]
})
# 创建透视表（产生 MultiIndex columns）
table = pd.pivot_table(
df,
values=['value1', 'value2'],
index='IDNum',
columns='Category'
)
# ✅ 关键：展平列名 —— 按 "Category_Value" 格式重组
table.columns = [f"{col[1]}_{col[0]}" for col in table.columns.to_flat_index()]
# ✅ 关键：将 IDNum 索引转为普通列
table = table.reset_index()
print(table)
输出结果：
IDNum a_value1 b_value1 c_value1 a_value2 b_value2 c_value2 0 1 1.5 2.2 NaN 2.0 3.6 NaN 1 2 3.6 NaN NaN 4.5 NaN NaN 2 3 NaN 6.0 5.1 NaN 6.1 8.2 3 4 NaN 1.0 NaN NaN 1.2 NaN
⚠️ 注意事项：
- 列名顺序由 to_flat_index() 返回顺序决定，其默认排序为外层升序 → 内层升序（即先排 value1 下所有 category，再排 value2）。若需自定义顺序（如按 category 分组聚合），建议在 pivot_table 中显式传入 columns=pd.Categorical(..., ordered=True)；
- 若原始数据中存在重复 (IDNum, Category) 组合，pivot_table 默认使用 np.mean 聚合，可改用 aggfunc='first' 或 lambda x: x.iloc[0] 避免意外均值；
- 替代方案：也可使用 df.pivot(index='IDNum', columns='Category', values=['value1','value2'])，但 pivot 不支持多 values，需分别 pivot 后 pd.concat(..., axis=1)，灵活性与健壮性不如 pivot_table + flatten 组合。
该方法简洁、通用，是将长表→宽表转换中处理多指标透视的标准化实践。
