本文介绍两种高效、简洁的 Pandas 方法，将具有两层列索引的 DataFrame 堆叠（stack）后，使原列索引 level=0 的标签成为结果行索引的最外层（而非默认的内层），避免手动调用 xs() 或循环拼接，适用于大规模数据（如 4 万行 × 64 列）。
本文介绍两种高效、简洁的 pandas 方法，将具有两层列索引的 dataframe 堆叠（stack）后，使原列索引 level=0 的标签成为结果行索引的最外层（而非默认的内层），避免手动调用 `xs()` 或循环拼接，适用于大规模数据（如 4 万行 × 64 列）。
在处理具有 MultiIndex 列的 DataFrame（例如分组指标 + 子指标结构）时，常需将其“透视”为长格式，且要求原始列的顶层标签（如 'A', 'B', 'C'）直接作为新索引的第一级——这与 .stack(level=0) 的默认行为相反：后者会将 level=0 列标签压入索引的最内层，导致后续对齐或分组困难。
以下以一个可复现的小型示例为基础，展示两种推荐的 pandas 惯用写法：
import pandas as pd
import numpy as np
# 构造初始 DataFrame：3×3 列组合 → 9 列，2 层列索引
df_init = pd.DataFrame(
np.linspace(0, 89, 90, dtype='int').reshape(10, 9),
columns=pd.MultiIndex.from_product([['A', 'B', 'C'], ['a', 'b', 'c']])
)
✅ 方法一：两次 unstack()（推荐，语义清晰）
利用 unstack() 的逆向特性：先完全展开所有列索引（等价于 unstack([0,1])），再仅对 level=1（即原列索引的第二层）再次 unstack，可巧妙重排索引层级：
out = df_init.unstack().unstack(level=1)
该操作本质是：
-
df_init.unstack()→ 将全部列索引压入行索引，生成 3 级索引（原行索引 + level=0 + level=1）； -
unstack(level=1)→ 将新索引的第 1 级（即原列 level=1，如'a'/'b'/'c'）重新提为列，剩余两级（原行索引 + 原列 level=0）保留在行索引中，并自动按 level=0 排序 → 原列 level=0 成为索引最外层。
✅ 方法二：stack + swaplevel + sort_index
若偏好显式堆叠逻辑，可先按 level=0 堆叠，再交换索引层级并排序：
out2 = (df_init
.stack(level=0, future_stack=True) # 堆叠 level=0 列 → 新索引: (原行索引, level=1, level=0)
.swaplevel() # 交换最后两级 → (原行索引, level=0, level=1)
.sort_index(level=0)) # 按最外层（即原列 level=0）稳定排序
⚠️ 注意：swaplevel() 默认交换最后两级；sort_index(level=0) 不可省略，否则 'A', 'B', 'C' 可能交错出现，影响可读性与下游分组操作。
验证与性能提示
两种方法均严格等价于手动拼接 xs() 的结果：
assert all(x.equals(df_final) for x in [out, out2])
对于您提到的 40,000 行 × 64 列（16×4 多级列） 场景：
- 方法一（双
unstack）底层优化良好，内存局部性更优，通常更快； - 方法二逻辑更直观，但
swaplevel+sort_index引入额外开销，建议在列层级复杂时优先选方法一。
无论哪种方式，均避免了显式循环、多次 xs() 查找或 pd.concat(keys=...)，真正符合 pandas 的向量化设计哲学。
