如何为多级索引DataFrame添加.diff()计算的子列？

原始DataFrame结构：

First    Second
    A   B    A   B 
1   50  60   70  100
2   20  5    10  30
3   35  45   60  50

我希望用.diff()方法在每个顶级列下新增一个子列，基于该顶级列下的B列计算差值，最终效果如下：

目标DataFrame结构：

First          Second
    A   B   Diff     A    B    Diff
1   50  60  NaN      70   100  NaN
2   20  5   -55      10   30   -70
3   35  45  40       60   50   20 

我想找一种不用循环这类低效Python原生操作的简洁实现方式，不知道具体怎么做。

源DataFrame创建代码：

import pandas as pd

data = {
    ('First', 'A'): [50, 20, 35],
    ('First', 'B'): [60, 5, 45],
    ('Second', 'A'): [70, 10, 60],
    ('Second', 'B'): [100, 30, 50]
}
df = pd.DataFrame(data)

可以利用pandas的多层列操作和矢量化方法实现，完全不需要循环，代码简洁高效：

# 获取所有不重复的顶级列名称
top_level_cols = df.columns.get_level_values(0).unique()

# 生成包含Diff子列的DataFrame，保持多层列结构
diff_df = pd.DataFrame(
    {col: df[(col, 'B')].diff() for col in top_level_cols},
    columns=pd.MultiIndex.from_product([top_level_cols, ['Diff']])
)

# 合并原数据与差值列，并按顶级列排序子列
result = pd.concat([df, diff_df], axis=1).sort_index(axis=1, level=0)

代码说明： #

1. 提取顶级列：df.columns.get_level_values(0).unique()快速获取所有顶级列（First、Second），避免手动硬编码。
2. 生成差值列：通过字典推导式为每个顶级列的B列计算diff()，并用pd.MultiIndex.from_product构建和原数据匹配的多层列索引，确保后续合并时列结构对齐。
3. 合并与排序：pd.concat横向合并原DataFrame和差值列，sort_index(axis=1, level=0)将每个顶级列下的A、B、Diff子列归为一组，实现目标格式。

运行后即可得到符合要求的DataFrame，全程利用pandas的内置矢量化操作，性能远优于循环实现。

内容的提问来源于stack exchange，提问作者YudoSmootho