如何在Pandas中重排多层索引（MultiIndex）矩阵的列

核心方法：交换层级并排序 #

要将列多层索引的层级从「数据类型（Data_1/Data_2/Data_3）在前，海拔在后」转换为「海拔在前，数据类型在后」，只需两步：

• 用swaplevel交换列的两个层级
• 用sort_index按新的顶层索引排序，确保同海拔的列归类在一起

代码示例 #

1. 构造模拟数据（复现你的场景）

import pandas as pd

# 原始数据：每行是传感器在某海拔下的三类读数
raw_data = {
    "ID": ["Sensor_A", "Sensor_A", "Sensor_B", "Sensor_B"],
    "Altitude": ["Alt_1", "Alt_2", "Alt_1", "Alt_2"],
    "Data_1": [10, 20, 15, 25],
    "Data_2": [30, 40, 35, 45],
    "Data_3": [50, 60, 55, 65]
}
df = pd.DataFrame(raw_data)

# 执行pivot得到你当前的多层列索引结构
# 这里通过melt+ pivot复现你的结果：列第0层是Data_1/Data_2/Data_3，第1层是海拔
df_melted = df.melt(id_vars=["ID", "Altitude"], var_name="Data_Type", value_name="Value")
df_pivoted = df_melted.pivot(index="ID", columns=["Data_Type", "Altitude"], values="Value")

2. 转换列层级结构

# 交换列的两个层级（位置0和1）
df_updated = df_pivoted.swaplevel(axis="columns")

# 按新的顶层索引（海拔）排序，让同海拔的列集中显示
df_updated = df_updated.sort_index(axis="columns", level=0)

关键说明 #

• 如果你的列层级有自定义名称（比如data_type和altitude），可以直接指定名称交换，更直观：

  df_updated = df_pivoted.swaplevel("data_type", "altitude", axis="columns")
  

• 只交换层级不排序的话，列的顺序会混乱，看起来没达到预期效果，这是很多人尝试后失败的原因。

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