我完全懂你的困扰——1000多列手动定义表头根本不现实，咱们直接用pandas的原生功能自动化搞定这个问题。核心思路是自动补全第一级表头的空白值，不用手动干预每一列。

下面给你两种可行的解决方案，选你觉得顺手的就行：

方案一：读取后快速修复表头 #

这种方式最简洁，先正常读取文件，再用ffill()（向前填充）补全第一级的空白表头：

import pandas as pd

# 读取带两级表头的CSV
CMF = pd.read_csv("./ConstantMaturityFutures_2.csv", header=[0, 1])

# 补全第一级表头的空白值：把Unnamed的部分替换成前一个非空的第一级表头
CMF.columns = CMF.columns.set_levels(CMF.columns.get_level_values(0).ffill(), level=0)

# 把Date列的第二级表头改成空字符串（和你原来的rename操作效果一致）
cmf_cols = CMF.columns.to_list()
for i, (l0, l1) in enumerate(cmf_cols):
    if l0 == "Date":
        cmf_cols[i] = (l0, "")
CMF.columns = pd.MultiIndex.from_tuples(cmf_cols)

# 处理日期索引
CMF["Date"] = pd.to_datetime(CMF["Date"])
CMF.set_index("Date", inplace=True)

CMF.head()

方案二：先预处理表头再读取数据 #

如果你想更直观地控制表头生成过程，可以先单独读取表头行，处理后再读取完整数据：

import pandas as pd

# 先读取前两行表头数据
header_df = pd.read_csv("./ConstantMaturityFutures_2.csv", nrows=2)

# 提取第一级表头，用向前填充补全空白
level0 = header_df.iloc[0].ffill().tolist()
# 提取第二级表头，把Date列的第二级设为空
level1 = header_df.iloc[1].tolist()
level1[level0.index("Date")] = ""

# 创建完整的MultiIndex列名
multi_columns = pd.MultiIndex.from_arrays([level0, level1])

# 读取数据，跳过前两行表头，用我们处理好的MultiIndex作为列名
CMF = pd.read_csv("./ConstantMaturityFutures_2.csv", header=None, skiprows=2, names=multi_columns)

# 处理日期索引
CMF["Date"] = pd.to_datetime(CMF["Date"])
CMF.set_index("Date", inplace=True)

CMF.head()

为什么这两种方法有效？ #

你的CSV里第一级表头的空白会被pandas识别为Unnamed: x_level_0，用ffill()可以自动把这些空白填充为最近的非空第一级表头，完美适配你有大量列的场景，完全不用手动定义每一列的名称。

内容的提问来源于stack exchange，提问作者Ben