按行对多级列DataFrame指定列(b_1)降序排名的实现方案

直接在原表中生成并添加排名列是更高效的选择，无需拆分再合并，代码简洁且完全支持后续新增行/列的动态扩展。

实现步骤 #

• 提取所有二级列为b_1的列：利用多级列的xs方法，不管后续新增多少一级列，只要二级列是b_1，都能自动匹配提取。
• 按行从大到小排名：使用rank方法，指定按行计算、降序排列，可根据需求选择排名规则（比如相同值的处理方式）。
• 将排名结果作为新的多级列插入原表：保持列结构一致性，方便后续维护。

完整代码示例 #

import pandas as pd
import numpy as np

# 原始数据生成代码
level_2 = ['a_1', 'b_1', 'c_1', 'a_1', 'b_1', 'c_1', 'a_1', 'b_1', 'c_1']
level_1 = ['A1', 'A1', 'A1', 'B1', 'B1', 'B1', 'C1', 'C1', 'C1']
data = [['a', 23, 'h', 'o', 45, 'v', 'a3', 1, 'b1'], ['b', 34, 'i', 'p', 3, 'w', 'a4', 32, 'b2'], ['c', 5, 'j', 'q', 7, 'x', 'a5', 6, 'b3'], ['d', 2, 'k', 'r', 5, 'y', 'a6', 76, 'b4'], ['e', 78, 'l', 's', 65, 'z', 'a7', 9, 'b5'], ['f', 98, 'm', 't', 23, 'a1',  'a8', 14, 'b6'], ['g', 3, 'n', 'u', 1, 'a2', 'a9', 45, 'b7']]
columns = pd.MultiIndex.from_tuples(list(zip(level_1, level_2)))
df1 = pd.DataFrame(data, columns=columns)
date = ['1/1/2023','1/2/2023','1/3/2023','1/4/2023','1/5/2023','1/6/2023','1/7/2023'] 
df1.insert(0, 'date', date)
df1.set_index('date', inplace=True)

# 核心排名代码
# 提取所有b_1列（自动适配所有一级列下的b_1）
b1_cols = df1.xs('b_1', level=1, axis=1)
# 按行从大到小排名，method可选：dense(不跳号)/min(相同值取最小排名)/max(相同值取最大排名)
rank_results = b1_cols.rank(axis=1, ascending=False, method='dense')
# 将排名结果转为多级列，一级列统一命名为Rank，二级列对应原一级列
rank_cols = pd.MultiIndex.from_tuples([('Rank', col) for col in rank_results.columns])
rank_results.columns = rank_cols
# 合并到原DataFrame
df1 = pd.concat([df1, rank_results], axis=1)

# 查看结果
print(df1)

动态扩展说明 #

• 新增一级列：比如后续添加D1列组（包含a_1、b_1、c_1），xs('b_1', level=1, axis=1)会自动包含D1下的b_1列，排名代码无需修改。
• 新增行：直接在原DataFrame追加行后，重新运行排名代码即可，rank方法会自动计算新行的排名。

为什么不推荐拆分合并？ #

拆分后再合并需要额外处理列名匹配、索引对齐，代码冗余且容易出错，尤其是当列结构变化时，还要调整合并逻辑，维护成本远高于直接添加排名列的方案。

内容的提问来源于stack exchange，提问作者scstx