本文介绍在 Pandas 中高效地将多级列索引（MultiIndex columns）的 DataFrame 按最外层列标签（level=0） 堆叠为新行索引的第一级，避免 .stack() 默认将外层列转为内层行索引的问题；提供两种简洁、可扩展的原生 pandas 方法，并验证结果一致性。
本文介绍在 pandas 中高效地将多级列索引（multiindex columns）的 dataframe 按**最外层列标签（level=0）** 堆叠为新行索引的第一级，避免 `.stack()` 默认将外层列转为内层行索引的问题；提供两种简洁、可扩展的原生 pandas 方法，并验证结果一致性。
在处理具有多级列索引（如 pd.MultiIndex.from_product([['A','B','C'], ['a','b','c']])）的 DataFrame 时，若希望将 level-0 列标签（如 'A', 'B', 'C'）提升为结果 DataFrame 行索引的最外层（即 index level 0），直接使用 df.stack(level=0) 并不能达成目标——它会将 level-0 列标签堆叠到行索引的最内层（level=-1），导致结构不符合预期（如示例中 df1 的索引为 (row_idx, inner_col, outer_col)）。
幸运的是，Pandas 提供了更优雅、无需手动 xs() 拆分拼接的解决方案。以下是两种推荐方法：
✅ 方法一：双重 unstack()（推荐，语义清晰）
out = df_init.unstack().unstack(level=1)
原理说明：
- 第一次
unstack()默认对所有列级进行展开，将全部列索引转为行索引（顺序为level_1, level_0, row_index）； - 第二次
unstack(level=1)将当前行索引的第 1 级（即原列的 level-1，如'a'/'b'/'c'）重新“提回”列方向，最终保留level_0（'A'/'B'/'C'）作为行索引最外层，且保持原始行顺序。
✅ 方法二：stack + swaplevel + sort_index
out2 = df_init.stack(level=0, future_stack=True).swaplevel().sort_index(level=0)
说明：
-
stack(level=0)将列 level-0 堆叠为新索引层（此时索引为(row, inner_col, outer_col)）； -
swaplevel()交换最后两层，使outer_col成为索引第 0 层； -
sort_index(level=0)确保同组标签（如所有'A'）连续排列，符合concat(..., keys=[...])的自然分组逻辑。
⚠️ 注意：future_stack=True是 Pandas 2.1+ 推荐参数（替代已弃用的dropna=False风格），如使用旧版本可省略该参数（默认行为一致）。
✅ 验证结果一致性
# 假设 df_final 是原始手动构造的目标结果
assert out.equals(df_final)
assert out2.equals(df_final)
print("✅ 两种方法均精确复现目标结构")
⚠️ 实际使用建议
- 对于大规模数据（如题中 40,000 行 × 64 列），方法一（双重 unstack）通常性能更稳定，且代码更易读、无显式排序开销；
- 方法二在需保留特定索引顺序或后续需链式操作时更灵活，但
sort_index可能引入额外计算成本； - 两种方式均完全避免了
xs()循环与concat(keys=...)的显式分组，真正实现“pandas idiomatic”表达。
综上，优先推荐 df.unstack().unstack(level=1) —— 简洁、健壮、意图明确，是处理此类“外层列→外层行”转换的标准范式。
