pandas拆分列生成多级索引出现nan列名的解决方法

执行df.columns.str.split('/', expand=True)后出现NaN，是因为不同列名按/拆分后的段数不一致：比如A/service1/service2/200拆分后为4段，D/service1/service2/500/std拆分后为5段，pandas生成多级索引时会自动给短列的缺失层级补NaN，这类NaN是索引层级值而非独立列，常规的列重命名、删除操作无法直接生效。

方案1：跳过列索引拆分步骤，直接生成嵌套字典（最简便） #

既然最终目标是转回嵌套字典，完全不需要先拆分生成多级列索引，直接遍历原始扁平化列名按分隔符拆分，逐层构建字典结构即可，从根源避免NaN问题：

def flat_cols_to_nested_dict(df, sep='/'):
    nested_result = {}
    for col in df.columns:
        key_chain = col.split(sep)
        current_level = nested_result
        # 逐层创建父级字典
        for k in key_chain[:-1]:
            current_level = current_level.setdefault(k, {})
        # 写入最末层的列值，可根据需求调整值格式，比如转标量、保留Series等
        current_level[key_chain[-1]] = df[col].tolist()
    return nested_result

# 直接调用即可得到目标嵌套字典
final_dict = flat_cols_to_nested_dict(df)

方案2：先修复多级索引的NaN，再转字典 #

如果需要保留多级列索引做中间数据处理，可以先填充索引里的NaN，再执行字典转换：

1. 拆分列名并填充NaN值

# 拆分生成多级列索引
df.columns = df.columns.str.split('/', expand=True)
# 用空字符串填充所有层级的NaN值，也可替换为自定义占位名
for level_idx in range(df.columns.nlevels):
    df.columns = df.columns.set_levels(
        df.columns.levels[level_idx].fillna(''),
        level=level_idx
    )

2. 按需过滤不需要的列（比如最末层级为空的列）

# 过滤掉最后一级为空的列
df = df.loc[:, df.columns.get_level_values(-1) != '']

3. 基于多级列索引生成嵌套字典

def multiindex_df_to_nested_dict(df):
    res = {}
    for col_tuple, col_values in df.items():
        current = res
        for k in col_tuple[:-1]:
            current = current.setdefault(k, {})
        current[col_tuple[-1]] = col_values.tolist()
    return res

final_dict = multiindex_df_to_nested_dict(df)

内容的提问来源于stack exchange，提问作者sherin_a27