本文介绍如何高效地将pandas dataframe的两层列索引（如('id', 'a')）合并为单层字符串列名（如'id:a'），并提供简洁可靠的解决方案及注意事项。
本文介绍如何高效地将pandas dataframe的两层列索引（如('id', 'a')）合并为单层字符串列名（如'id:a'），并提供简洁可靠的解决方案及注意事项。
在处理由pivot_table、groupby().agg()或读取嵌套结构数据生成的DataFrame时，常会遇到多级列名（MultiIndex columns）。例如：
import pandas as pd
df = pd.DataFrame({
('ID', 'A'): [1, 2, 3, 4, 5, 6],
('Value', 'B'): [6, 5, 4, 3, 2, 1]
})
print(df.columns)
# MultiIndex([('ID', 'A'), ('Value', 'B')])
此时直接使用 df.rename(columns=column_mapping) 无效，因为rename()默认仅支持对扁平列名（Flat Index）的映射，而无法解析元组形式的MultiIndex键。
✅ 正确做法是直接重置列索引：利用 df.columns.map(":".join) 将每层列名元组（如('ID', 'A')）通过冒号连接为字符串 'ID:A'：
df.columns = df.columns.map(":".join)
print(df)
# ID:A Value:B
# 0 1 6
# 1 2 5
# 2 3 4
# 3 4 3
# 4 5 2
# 5 6 1
? 进阶技巧：
- 若需自定义分隔符（如下划线），可改用 df.columns.map(lambda x: "_".join(x))；
- 若部分层级为空（如('', 'col1')），建议先清洗：df.columns = df.columns.map(lambda x: tuple('' if v is None else v for v in x))，再拼接；
- 如需按特定映射规则重命名（而非统一拼接），应使用 df.columns = pd.MultiIndex.from_tuples([...]) 配合字典映射构造新列索引。
⚠️ 注意：该操作会永久改变列结构，若后续仍需分层语义（如按第一级分组选取），请谨慎执行；建议在扁平化前备份原始列名：original_cols = df.columns.copy()。
总之，df.columns.map(":".join) 是最简洁、高效且符合Pandas惯用法的多级列名扁平化方案。
