如何用pandas合并多个DataFrame构建多级列索引3D结构数据表

核心基于pandas的MultiIndex多级列特性实现三维结构存储，拼接时自动对齐行索引，天然支持后续扩展档位、新增品类，具体步骤如下：

步骤1：建立子表与顶层品类的映射 #

先把现有的4个独立DataFrame和对应的顶层分类名做绑定，分类名可以根据实际业务调整：

import pandas as pd

# 键为顶层品类名，值为对应存储该品类数据的DataFrame，可按需修改映射关系
category_df_mapping = {
    "Gaming": dfG,
    "Casual": dfC,
    "Business": dfB,
    "Office": dfO
}

步骤2：转换多级列头并横向拼接 #

给每个子表的列加上一级品类标识，再沿列方向拼接，自动对齐行索引：

processed_df_list = []
for category, sub_df in category_df_mapping.items():
    # 为子表生成（品类名 -> 原字段名）的二级列索引
    sub_df.columns = pd.MultiIndex.from_product(
        [[category], sub_df.columns],
        names=["product_category", "field"]
    )
    processed_df_list.append(sub_df)

# 横向拼接得到最终结构
final_df = pd.concat(processed_df_list, axis=1)

步骤3：扩展行档位/新增数据的方法 #

拼接完成后，可以直接按索引赋值扩展light、high_end等新档位，不需要重构表结构：

# 示例：新增light档位下Gaming品类的品牌和价格
final_df.loc["light", ("Gaming", "brand")] = "Lenovo"
final_df.loc["light", ("Gaming", "price")] = {"gte": 1499, "lte": 2199}

# 示例：新增Casual品类light档位数据
final_df.loc["light", ("Casual", "brand")] = "Acer"
final_df.loc["light", ("Casual", "price")] = {"gte": 399, "lte": 799}

效果说明 #

执行完上述代码后，打印final_df即可得到预期结构：

• 顶层列是Gaming、Casual等自定义品类
• 二级列固定为brand、price两个字段
• 行索引自动对齐cheap、light等档位，未赋值的位置默认填充NaN，后续补值即可
• 原price字段存储的区间字典不会被pandas修改，存取逻辑和普通字段完全一致

扩展提示 #

• 新增品类时，只要新建列名为['brand', 'price']的子DataFrame，加入映射字典重新执行拼接即可
• 需要对行档位排序时，直接调用final_df = final_df.sort_index()即可
• 需要筛选单个品类的数据时，直接用final_df['Gaming']即可取出该品类下所有档位的品牌、价格数据，结构和原来的单表完全一致

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