本文介绍两种高效、简洁的pandas方法，将具有两层列索引的DataFrame中外层列标签（level=0）提升为行索引的最外层，避免手动拆分与拼接，适用于大规模数据（如4万行×64列）场景。
本文介绍两种高效、简洁的pandas方法，将具有两层列索引的dataframe中**外层列标签（level=0）提升为行索引的最外层**，避免手动拆分与拼接，适用于大规模数据（如4万行×64列）场景。
在处理具有多级列索引（MultiIndex columns）的DataFrame时，常需将某一层列标签“旋转”至行索引中以适配后续分析或建模需求。但默认的 .stack() 行为会将指定列层级压入行索引的最内层（即新层级添加在现有索引末尾），而本文目标是让列的 level-0 成为行索引的最外层（level=0）——这恰好与 .stack() 的自然行为相反。
以下通过最小可复现实例演示两种推荐方案：
import pandas as pd
import numpy as np
# 构造示例：3×3 列多级索引（level_0: ['A','B','C'], level_1: ['a','b','c']）
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']])
)✅ 方案一：双 unstack 法（推荐，语义清晰）
利用 unstack() 的逆向特性：先全量 unstack()（等价于 unstack([0,1])）将所有列层级转为行索引，再对新生成的内层行索引（原列 level=1）执行 unstack(level=1)，即可使原列 level=0 自然成为行索引最外层：
out = df_init.unstack().unstack(level=1)
该方法逻辑直观：两次 unstack 实质完成了一次“列 level-0 → 行 level-0”的定向迁移，且无需显式排序，结果索引天然有序。
✅ 方案二：stack + swaplevel + sort_index
若倾向从 stack 出发，可先按 level=0 堆叠（注意启用 future_stack=True 以兼容未来版本行为），再交换行索引的层级顺序，并对最外层索引排序确保一致性：
out2 = (df_init
.stack(level=0, future_stack=True) # → 行索引: (original_index, col_level1, col_level0)
.swaplevel(0, 2) # 将 col_level0 移至最外层
.sort_index(level=0)) # 按新外层索引排序（如 A/B/C 顺序）⚠️ 注意：
swaplevel()后必须调用sort_index(level=0)，否则索引顺序可能混乱（因stack不保证跨列组的插入顺序），影响可读性与下游操作（如groupby）。
验证与性能提示
两种方法结果完全等价：
assert out.equals(df_final) # 与原始手工拼接结果一致 assert out2.equals(df_final)
对于您的实际规模（40,000 行 × 64 列，16×4 多级列），方案一（双 unstack）通常更稳定且内存友好；方案二在链式操作中更灵活，但需额外排序开销。二者均远优于多次 .xs() + pd.concat()，避免了重复索引查找与中间对象拷贝，显著提升执行效率。
综上，优先使用 df.unstack().unstack(level=1) —— 简洁、健壮、符合直觉，是解决“列外层→行外层”堆叠问题的标准pandas惯用法。
