如何用Pythonic方式为Datetime索引的Pandas DataFrame添加多层索引？

嘿，这个需求很好实现，我给你分享两种简洁且符合Python风格的方法，直接基于你提供的示例代码修改：

方法一：使用pd.MultiIndex.from_product（推荐） #

这种方法最直观高效，尤其适合给所有行添加固定值的新层级的场景：

import numpy as np
import pandas as pd

# 初始化原DataFrame
idx = pd.date_range(start="2020-01-01", end="2020-01-10")
vals = {"values": np.random.randint(low=1, high=100, size=10)}
df = pd.DataFrame(data=vals, index=idx)
df.index.name = "time"

# 定义新层级的名称和对应值
new_level_names = ["L0_name", "L1_name"]
new_level_values = ["L0 value", "L1 value"]

# 构造MultiIndex：将新层级与原索引做笛卡尔积（因为新层级是固定值，结果就是每行都带上这两个层级）
df.index = pd.MultiIndex.from_product(
    [new_level_values[:1], new_level_values[1:], df.index],
    names=new_level_names + [df.index.name]
)

print(df)

运行后你会得到完全符合期望的输出：

values
L0_name    L1_name    time       
L0 value   L1 value   2020-01-01    87
                      2020-01-02    46
                      2020-01-03    19
                      2020-01-04    44
                      2020-01-05    94
                      2020-01-06    58
                      2020-01-07    74
                      2020-01-08    32
                      2020-01-09    64
                      2020-01-10    84

方法二：通过临时列转换（灵活度更高） #

如果你的新层级值不是固定的，而是需要动态生成，可以先添加临时列再设置为索引，最后调整层级顺序：

# 给原DataFrame添加临时列存储新层级值
df["L0_name"] = "L0 value"
df["L1_name"] = "L1 value"

# 设置多层索引，并指定层级顺序（把新层级放在前面）
df = df.set_index(["L0_name", "L1_name", "time"])

print(df)

这种方法适合新层级值需要根据行数据动态计算的场景，同样能达到你的目标。

关键说明 #

• 两种方法都保留了原索引的datetime类型和名称，完全符合你的需求；
• from_product方法更简洁，是处理固定层级的首选，非常Pythonic；
• 如果需要后续调整层级顺序，可以用df.reorder_levels()方法。

内容的提问来源于stack exchange，提问作者Andi