如何为Polars DataFrame日期列设置多级索引并导出指定格式Excel

针对你的需求，这里提供两种可行方案，核心思路是先将日期列拆解为多级层级，再导出为带多级表头的Excel文件：

方法一：Polars预处理后转Pandas导出 #

先通过Polars完成宽表转窄表、日期解析的操作，再转回宽表后交给Pandas处理多级列导出：

import polars as pl
import pandas as pd

# 原始Polars DataFrame
df = pl.from_repr("""
┌───────┬────────────┬────────────┬────────────┬────────────┬────────────┐
│ Users ┆ 2021-04-27 ┆ 2021-04-28 ┆ 2021-04-29 ┆ 2021-04-30 ┆ 2021-03-01 │
│ ---   ┆ ---        ┆ ---        ┆ ---        ┆ ---        ┆ ---        │
│ str   ┆ i64        ┆ i64        ┆ i64        ┆ i64        ┆ i64        │
╞═══════╪════════════╪════════════╪════════════╪════════════╪════════════╡
│ A     ┆ 2          ┆ 2          ┆ 5          ┆ 6          ┆ 1          │
└───────┴────────────┴────────────┴────────────┴────────────┴────────────┘
""")

# 1. 宽表转窄表，提取日期和对应数值
melted_df = df.melt(id_vars="Users", variable_name="Date", value_name="Value")

# 2. 解析日期，拆分出年、月、日层级
processed_df = melted_df.with_columns(
    pl.col("Date").str.to_date().alias("Date"),
    pl.col("Date").str.to_date().dt.year().alias("Year"),
    pl.col("Date").str.to_date().dt.month().alias("Month"),
    pl.col("Date").str.to_date().dt.day().alias("Day")
)

# 3. 转回宽表，以年、月、日作为列的多级维度
wide_df = processed_df.pivot(
    index="Users",
    columns=["Year", "Month", "Day"],
    values="Value"
)

# 4. 转Pandas后导出Excel，自动生成多级表头
wide_df.to_pandas().to_excel("output_polars.xlsx", index=False)

方法二：直接转Pandas用MultiIndex处理 #

如果你习惯用Pandas的MultiIndex机制，可以直接将Polars DataFrame转为Pandas后操作：

import polars as pl
import pandas as pd

df = pl.from_repr("""
┌───────┬────────────┬────────────┬────────────┬────────────┬────────────┐
│ Users ┆ 2021-04-27 ┆ 2021-04-28 ┆ 2021-04-29 ┆ 2021-04-30 ┆ 2021-03-01 │
│ ---   ┆ ---        ┆ ---        ┆ ---        ┆ ---        ┆ ---        │
│ str   ┆ i64        ┆ i64        ┆ i64        ┆ i64        ┆ i64        │
╞═══════╪════════════╪════════════╪════════════╪════════════╪════════════╡
│ A     ┆ 2          ┆ 2          ┆ 5          ┆ 6          ┆ 1          │
└───────┴────────────┴────────────┴────────────┴────────────┴────────────┘
""")

# 转成Pandas DataFrame
pd_df = df.to_pandas()

# 提取所有日期列，排除Users
date_cols = [col for col in pd_df.columns if col != "Users"]

# 为每个日期列生成多级索引元组（这里用年、月、日三级）
multi_col_tuples = []
for col in date_cols:
    dt = pd.to_datetime(col)
    multi_col_tuples.append((dt.year, dt.month, dt.day))

# 构建多级列名，Users列单独处理
new_columns = [("Users", "", "")] + multi_col_tuples
pd_df.columns = pd.MultiIndex.from_tuples(
    new_columns,
    names=["Year", "Month", "Day"]
)

# 导出Excel，开启merge_cells可以自动合并相同层级的单元格
pd_df.to_excel("output_pandas.xlsx", merge_cells=True, index=False)

说明 #

• 两种方法都能生成带多级表头的Excel文件，你可以根据自己的习惯选择；
• 如果需要调整多级索引的层级（比如合并年和月为YYYY-MM作为一级），只需要修改日期解析时的字段即可，比如用dt.strftime("%Y-%m")生成年月字符串；
• Polars目前对多级列的Excel原生导出支持有限，转Pandas处理是更稳妥的方案。

内容的提问来源于stack exchange，提问作者Hui LI