最常用方式是直接调用df.reset_index()全量展开所有索引层级为列并生成默认整数索引；误传drop=True会丢失索引信息，未命名索引展开后列名为数字，建议提前显式命名。
用 reset_index() 直接展开所有层级
最常用也最直接的方式是调用 DataFrame.reset_index()，它会把所有索引层级转为普通列，并生成默认整数索引。默认行为就是“全量展开”，无需额外参数。
常见错误是误以为需要指定 level 参数——其实只有想部分展开时才用；全展开反而要避免传 drop=True（否则索引列会被丢弃）。
-
df.reset_index()：安全默认，保留所有原索引列，列名按原层级名生成（如'country'、'year'） -
df.reset_index(drop=True)：丢掉所有索引信息，只剩数据列，相当于重置行号但不保留结构 - 如果原 MultiIndex 没命名（
names=[None, None]），展开后列名会是0、1这类数字，建议提前用df.index.names = ['level_0', 'level_1']显式命名
用 droplevel() + reset_index() 只展开部分层级
当只想扁平化最外层或某几层，而保留内层作为索引时，得先用 droplevel() 删掉不需要的层级，再 reset_index()。
比如一个三层索引 (region, country, year)，只想把 region 变成列，其余两层继续当索引：
立即学习“Python免费学习笔记（深入）”；
df_flat_region = df.droplevel(0).reset_index('region')
注意：droplevel() 的参数可以是层级序号（从 0 开始）或名称（字符串/列表），但必须确保目标层级存在；若层级名重复或含 None，优先用序号更稳妥。
-
df.droplevel([0, 2])：一次性删掉第 0 和第 2 层 -
df.reset_index('country')：只把country这一层从索引中拿出来变列，其他层级不动 - 调用顺序不能颠倒：先
droplevel()再reset_index()，反过来会报KeyError
用 stack() / unstack() 配合重构时的陷阱
这不是真正“扁平化索引”，但常被误当作替代方案——比如想把列索引也一起压平，容易掉进 stack() 的维度陷阱里。
stack() 会把列索引压进行索引，形成更深的 MultiIndex；unstack() 则相反。二者组合可能让结构更复杂，而不是更扁平。
- 若原始 DataFrame 是
index=MultiIndex, columns=Index，直接stack()后得到的是index=MultiIndex(n+1层), columns=Index(1列) - 真要列+行一起扁平，应先
reset_index()行索引，再reset_index(drop=False)列索引（需先df.columns.name = 'col'并df.T.reset_index().T等操作，较绕） - 性能上，
stack/unstack触发内部 reshape，对大表比reset_index()更慢，且易触发MemoryError
导出 CSV 前必须处理的命名冲突问题
用 reset_index() 展开后，若原列名和索引名重复（比如都有 'date'），Pandas 默认不会报错，但写入 CSV 时会出现两列同名，后续读取会变成 'date'、'date.1' 这种不可控命名。
解决方法是在展开前统一重命名，或展开后手动去重：
- 展开前：用
df.index.names = ['idx_date', 'idx_cat']避免与列名冲突 - 展开后：检查
df.columns，对重复列用df = df.rename(columns={'date': 'idx_date'}) - 导出时加参数
df.to_csv(..., index=False)，防止又把新生成的整数索引写进去
这个细节在自动化流水线里特别容易被忽略，等下游系统读 CSV 报错才发现列名乱了。
