合并多级索引DataFrame时合并同层级同名列的方法求助

嘿，这个问题我碰到过！当你用pd.concat(axis=1)合并两个拥有相同上层列索引的多级索引DataFrame时，有时候会因为索引对齐的细节，出现重复的上层层级显示，但我们可以轻松把它们合并成单一的层级结构。

先还原你的数据结构，方便后续演示：

import pandas as pd

# 构建df1：两级列索引，上层为'Column'，子列col1、col2
df1 = pd.DataFrame(
    [[1, 3], [2, 4]],
    columns=pd.MultiIndex.from_tuples([('Column', 'col1'), ('Column', 'col2')])
)

# 构建df2：同样两级列索引，上层为'Column'，子列col3
df2 = pd.DataFrame(
    [[5], [6]],
    columns=pd.MultiIndex.from_tuples([('Column', 'col3')])
)

为什么会出现重复的'Column'层级？ #

通常这种情况是因为pd.concat()默认保留每个DataFrame的完整列索引结构，如果两个df的子列在索引中不连续（或行索引存在微小差异），显示时会把相同的上层索引拆分开。如果确实出现两个独立的'Column'层级，大概率是两个df的列索引在层级定义上有细微差别（比如层级名称不一致、子列索引类型不同）。

解决方案：两种方法实现单一'Column'层级 #

方法1：使用df.join()（最直接）

join()专门用于按行索引合并列，会自动合并相同上层列索引的子列，完美适配你的需求：

result = df1.join(df2)

打印结果会得到你想要的结构：

Column
            col1 col2 col3
0            1    3    5
1            2    4    6

方法2：修复pd.concat()的结果

如果你坚持用pd.concat()，可以在合并后通过groupby按列的上层索引聚合，确保子列都归到同一个'Column'下：

# 先执行合并
combined = pd.concat([df1, df2], axis=1)
# 按列的第0层（上层）分组，移除重复的上层索引
result = combined.groupby(level=0, axis=1).apply(lambda x: x.droplevel(0, axis=1))
# 重新设置统一的两级列索引
result.columns = pd.MultiIndex.from_tuples([('Column', col) for col in result.columns])

验证结果 #

你可以通过以下代码确认列索引结构：

print(result.columns)
# 输出：
# MultiIndex([('Column', 'col1'),
#             ('Column', 'col2'),
#             ('Column', 'col3')],
#            )

这样就完美实现了单一'Column'层级下包含所有子列的DataFrame啦！

内容的提问来源于stack exchange，提问作者Ronnie