reset_index()默认将MultiIndex所有层级转为列并重置为整数索引；可指定level参数展开部分层级；列名含元组时需用map(‘_’.join)或列表推导式扁平化；索引无名则生成level_0等默认列名，建议预先命名。
用 reset_index() 直接展开多级索引
只要索引是 MultiIndex，reset_index() 就会自动把所有层级转成普通列，这是最简、最常用的写法。
它不区分索引层级数量，也不需要指定哪一层——全转，一步到位。
- 默认行为就是把所有索引层级“降维”为列，原索引被重置为默认整数索引
- 如果只想展开部分层级，得用
reset_index(level=[...])显式指定层级编号或名称 - 若原 DataFrame 本身已有同名列，
reset_index()会自动在列名后加_后缀（如col_）避免冲突
遇到列名含元组时，用 map(str) 或 join 扁平化列名
有时你调用 reset_index() 后发现新列名是元组，比如 ('A', 'X')，这是因为原始 MultiIndex 的列本身也是多级的（即 columns 是 MultiIndex）。这时 reset_index() 不起作用，要处理的是列名本身。
- 快速修复：用
df.columns = df.columns.map('_'.join)把元组列名拼成字符串（如('A', 'X')→'A_X'） - 更稳妥：用
df.columns = ['_'.join(col).strip() if isinstance(col, tuple) else col for col in df.columns]避免非元组列报错 - 注意：
map(str)会保留括号和逗号（如"('A', 'X')"），一般不推荐
想保留某一层索引当列、其余丢弃？用 reset_index(level=...)
不是所有场景都要全展开。比如你只关心第一层索引（如年份），其他层级（如月份、地区）只是分组中间态，可以只提一层出来。
-
df.reset_index(level=0)：只展开第 0 层索引（最外层） -
df.reset_index(level='year')：按索引名称展开，前提是该层有名字 -
df.reset_index(level=[0, 2])：展开第 0 和第 2 层，跳过第 1 层 - 未被展开的层级仍保留在索引中，后续可继续操作（如再
reset_index()）
扁平化后列名重复？检查原始索引层级是否命名一致
常见坑：reset_index() 后出现 level_0、level_1 这类默认名，说明原始 MultiIndex 没设名字。这会让后续筛选、引用列变得麻烦。
- 定义索引时就该命名：用
pd.MultiIndex.from_tuples([...], names=['country', 'year']) - 已有索引没命名？补上：
df.index.names = ['country', 'year']，再reset_index()就会生成对应列名 - 没命名又不想改索引？只能手动重命名列：
df = df.reset_index().rename(columns={'level_0': 'country', 'level_1': 'year'})
多级索引扁平化的本质是「索引→列」的映射，真正容易卡住的往往不是函数调用，而是索引有没有名字、列本身是不是多级、以及是否混淆了行索引和列索引的处理逻辑。