为何pandas的merge在多索引连接时丢失l0层级，而join不会？

核心原因：两者的设计逻辑本质不同 #

merge和join的底层行为逻辑存在明显区别，这直接导致了它们处理MultiIndex时出现索引层级的差异：

1. merge的行为：索引会被转为普通列 #

merge的默认逻辑是基于列完成合并，无论你指定的合并键是原DataFrame的列还是索引层级：

• 执行t.merge(t2, how='left', on='l1')时，pandas会先把t的整个MultiIndex（l0和l1）全部转成普通列，同时也会将t2的索引l1转为列；
• 之后以l1列为键完成左连接，最终结果的索引会被重置为默认的整数序列，原来的l0变成了普通列（并非真的“丢失”，只是不再作为索引层级存在）。

2. join的行为：完整保留原索引结构 #

join是专门为基于索引的合并设计的，默认会保留左表的索引结构：

• 执行t.join(t2, how='left', on='l1', lsuffix='_x', rsuffix='_y')时，on='l1'表示用t的l1索引层级去匹配t2的l1索引；
• 整个过程中t的原MultiIndex（l0和l1）会被完整保留，不会转为普通列，所以l0依然是索引的第0层。

让merge保留原索引的方法 #

如果想让merge也保留l0作为索引，可以手动指定用索引参与合并，示例代码如下：

# 用左表的l1索引层匹配右表的l1索引，之后重新设置索引
t.merge(t2, how='left', left_on='l1', right_index=True).set_index(['l0', 'l1'])

这样得到的结果索引结构就和join的一致了。

内容的提问来源于stack exchange，提问作者guyguyguy12345