本文介绍两种高效、简洁的Pandas方法，将具有两层列索引（如['A','B','C']为level 0，['a','b','c']为level 1）的DataFrame，直接将level 0列标签提升为结果DataFrame行索引的最外层（level 0），避免手动调用.xs()拆分再拼接。
本文介绍两种高效、简洁的pandas方法，将具有两层列索引（如`['a','b','c']`为level 0，`['a','b','c']`为level 1）的dataframe，直接将level 0列标签提升为结果dataframe行索引的**最外层（level 0）**，避免手动调用`.xs()`拆分再拼接。
在处理宽表结构（如分组指标+时间维度、实验条件+观测变量）时，常需将高层列标签“降维”为行索引以适配后续分析或可视化。但df.stack(level=0)默认会将level 0列标签置于新索引的内层（level 1），而用户通常希望其成为最外层——这正是本教程要解决的核心问题。
以下提供两种推荐方案，均适用于大规模数据（如题中40,000行×64列），且语义清晰、性能良好：
✅ 方法一：双重 unstack()（推荐）
利用unstack()的逆向操作特性，先全量unstack()（等价于unstack([0,1])）展平列索引，再对原level 1（即新索引的中间层）再次unstack，自然使原level 0列标签跃升至行索引顶层：
import pandas as pd
import numpy as np
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']])
)
# 一行实现：原level 0列标签 → 行索引level 0
out = df_init.unstack().unstack(level=1)
✅ 方法二：stack + swaplevel + sort_index
先按level 0列堆叠，再交换索引层级，并按新level 0排序确保逻辑一致性（因swaplevel()不自动排序）：
# 注意：future_stack=True 在新版本Pandas中已弃用，可省略 out2 = df_init.stack(level=0).swaplevel().sort_index(level=0)
⚠️ 关键提示：
swaplevel()仅交换层级位置，不重排顺序；若原始索引未排序，sort_index(level=0)必不可少，否则分组数据可能错乱。
验证与对比
两种方法结果完全一致，且与手动pd.concat(..., keys=...)构造的df_final严格相等：
# 验证结果一致性
assert out.equals(df_final)
assert out2.equals(df_final)
print("✅ 所有方法输出一致")
总结
-
首选
unstack().unstack(level=1)：逻辑直观、代码极简、无需额外排序，适合绝大多数场景； -
备选
stack().swaplevel().sort_index()：更贴近“堆叠→调整→整理”的思维链，便于调试理解； - 二者均避免了低效的循环
xs()和显式concat，显著提升40K+行数据的处理效率； - 实际应用中，请根据Pandas版本微调参数（如移除已废弃的
future_stack=True）。
通过掌握这一技巧，您能更灵活地在宽/长格式间转换，尤其适用于多维指标聚合、面板数据分析等专业场景。
