如何通过MultiIndex顶层列索引器批量设置DataFrame多列？

一、语法不一致的原因 #

当你使用df["Input"]修改已有列时，pandas识别到"Input"是顶层索引，对应的是一组子列，因此可以接受同结构的DataFrame赋值。但新增列时，df["Diff"]默认会被解析为要创建一个单列（而非顶层索引下的多列组），而右侧返回的是多列DataFrame，因此触发ValueError——pandas无法将多列数据塞到单列里。

二、简洁的顶层列组新增方案 #

不用手动构造元组列表，直接用df[("Diff",)]指定顶层索引，即可批量新增整组子列：

df[("Diff",)] = df["Input"] - df["Input"].shift(1)

该语法会自动继承右侧DataFrame的子列名（X/Y/Z），和修改已有顶层列的逻辑保持一致，后续新增Input子维度时无需改动代码。

三、分组批量赋值失效的原因与解决 #

失效原因 #

使用df.loc[行索引, "Diff"]赋值时，pandas处理MultiIndex列的逻辑存在偏差：仅指定顶层索引时，它无法自动将右侧多列DataFrame的子列与目标顶层索引下的子列一一对应，导致赋值不生效。

通用解决方案 #

方案1：明确指定顶层索引组

用df.loc[行索引, ("Diff",)]替代原写法，即可实现批量赋值：

df[[("Diff", c) for c in df["Input"].columns]] = np.NaN
for g in df.groupby(("Meta","ID")):
    df.loc[g[1].index, ("Diff",)] = g[1]["Input"] - g[1]["Input"].shift(1)

方案2：用groupby.transform简化代码

无需手动循环分组，transform可直接完成分组内计算并赋值：

df[("Diff",)] = df["Input"].groupby(df[("Meta","ID")]).transform(lambda x: x - x.shift(1))

这个方法完全避免循环，代码更简洁，性能更优。

内容的提问来源于stack exchange，提问作者Sam Beard