本文介绍一种高效、简洁的方法，利用multiindex和stack操作，将具有嵌套表头（年份+高低值）的原始dataframe重塑为结构清晰的长格式表格，适用于时间序列指标分析场景。
在实际数据分析中，我们常遇到以“复合列名”形式组织的宽格式数据——例如，同一指标（如low/high）按年份重复排列，且首两行分别承载语义层级（如year和level）。这类结构虽便于人工阅读，却不利于后续计算与建模。pandas 提供了强大的索引与重塑工具，可将其一键转为标准的长格式（tidy data），关键在于正确构建列的多级索引（MultiIndex）并合理使用 stack()。
以下为完整实现流程：
import pandas as pd import numpy as np # 构造原始数据（模拟典型“双层表头”结构） data = { 0: ['parameter', '', 'foo', 'bar'], 1: [2001, 'low', 1, np.nan], 2: [2001, 'high', 2, np.nan], 3: [2002, 'low', 7, 12], 4: [2002, 'high', 8, 13], } df = pd.DataFrame(data) # 步骤1：提取列级语义 → 构建 MultiIndex # 取第0行（年份）和第1行（low/high）作为两级列名（跳过第0列，因其为行索引标识） years = df.iloc[0, 1:] # [2001, 2001, 2002, 2002] levels = df.iloc[1, 1:] # ['low', 'high', 'low', 'high'] idx = pd.MultiIndex.from_arrays([years, levels], names=('year', 'level')) # 步骤2：清理数据主体 → 设置行索引 + 重命名列轴 df_clean = (df.iloc[2:] # 跳过前两行（表头） .set_index(0) # 将第0列（'foo', 'bar'）设为行索引，命名为 'parameter' .set_axis(idx, axis=1) # 应用新构建的 MultiIndex 到列 .rename_axis('parameter') # 显式命名索引轴 ) # 步骤3：重塑 → stack 展开 level 维度，reset_index 标准化 result = df_clean.stack(level=0).reset_index() result.columns = ['parameter', 'year', 'level', 'value'] # 可选：重命名列提升可读性 # 若需进一步 pivot 成 'low'/'high' 为列（即目标输出格式），执行： final = result.pivot(index=['parameter', 'year'], columns='level', values='value') .reset_index() .rename_axis(None, axis=1)运行后得到目标结构：
parameter year high low 0 bar 2002 13.0 12.0 1 foo 2001 2.0 1.0 2 foo 2002 8.0 7.0✅ 关键要点总结： MultiIndex.from_arrays() 是构建语义化列索引的核心，务必确保传入数组长度一致且顺序对应； set_axis(…, axis=1) 替代手动赋值 df.columns = …，更安全且支持链式调用； stack(0) 默认展开最内层列索引（即 ‘level’），若有多层需显式指定 level 参数； 最终 pivot() 可选——若原始需求是“每个 level 单独成列”，则必须补此步；若接受 level 作为变量列，则 stack().reset_index() 已足够（更符合 tidy data 原则）。
该方法鲁棒性强，可轻松扩展至更多层级（如增加地区、产品线等），是处理报表导出类非标准数据的推荐范式。