本文介绍如何将 pandas 透视表（pivot_table）生成的多级列索引（multiindex columns）高效展平为单层列名，例如将 `(''value1'', ''a'')` 转换为 `''a_value2''`，并重置索引以获得结构清晰、可直接用于建模或导出的宽格式 dataframe。

在使用 pd.pivot_table() 处理长格式数据时，若指定多个 values 列（如 [''value1'', ''value2'']）和一个 columns 维度（如 ''Category''），pandas 会自动创建双层列索引：外层为 value 字段名，内层为 category 取值。这种结构虽利于分组查看，但不便于后续分析、写入数据库或机器学习特征工程——此时需将其“展平”（flatten）为语义明确的单层列名。

核心步骤分为两步：

重命名多级列为扁平字符串：利用 table.columns.to_flat_index() 获取所有 (value_field, category) 元组，再通过列表推导式构造新列名（推荐按 category_value 格式，更符合直觉且避免列名冲突）；

重置行索引：调用 reset_index() 将原 IDNum 索引转为普通列，确保最终结果为标准二维表格。

以下是完整可运行示例：

复制AI写代码

import pandas as pd

# 构造原始数据

df = pd.DataFrame({

''IDNum'': [1, 1, 2, 3, 3, 4],

''Category'': [''a'', ''b'', ''a'', ''c'', ''b'', ''b''],

''value1'': [1.5, 2.2, 3.6, 5.1, 6.0, 1.0],

''value2'': [2.0, 3.6, 4.5, 8.2, 6.1, 1.2]

})

# 创建透视表（产生 MultiIndex columns）

table = pd.pivot_table(

df,

values=[''value1'', ''value2''],

index=''IDNum'',

columns=''Category''

)

# ✅ 关键：展平列名 —— 按 "Category_Value" 格式重组

table.columns = [f"{col[1]}_{col[0]}" for col in table.columns.to_flat_index()]

# ✅ 关键：将 IDNum 索引转为普通列

table = table.reset_index()

print(table)

输出结果：

复制AI写代码

IDNum a_value1 b_value1 c_value1 a_value2 b_value2 c_value2

0 1 1.5 2.2 NaN 2.0 3.6 NaN

1 2 3.6 NaN NaN 4.5 NaN NaN

2 3 NaN 6.0 5.1 NaN 6.1 8.2

3 4 NaN 1.0 NaN NaN 1.2 NaN

⚠️ 注意事项：

列名顺序由 to_flat_index() 返回顺序决定，其默认排序为外层升序 → 内层升序（即先排 value1 下所有 category，再排 value2）。若需自定义顺序（如按 category 分组聚合），建议在 pivot_table 中显式传入 columns=pd.Categorical(..., ordered=True)；

若原始数据中存在重复 (IDNum, Category) 组合，pivot_table 默认使用 np.mean 聚合，可改用 aggfunc=''first'' 或 lambda x: x.iloc[0] 避免意外均值；

替代方案：也可使用 df.pivot(index=''IDNum'', columns=''Category'', values=[''value1'',''value2''])，但 pivot 不支持多 values，需分别 pivot 后 pd.concat(..., axis=1)，灵活性与健壮性不如 pivot_table + flatten 组合。

该方法简洁、通用，是将长表→宽表转换中处理多指标透视的标准化实践。