Python中如何将MultiIndex转为列并合并多个DataFrame/Series

我经常碰到这种用groupby生成带分层索引的Series的场景，要把这些索引转成列再合并其实很简单，核心就是用reset_index()方法，下面给你一步步拆解：

第一步：把每个Series转为带列名的DataFrame并重置索引 #

groupby生成的Series里，subject_id、hadm_id、icustay_id是分层索引而非普通列。我们需要用reset_index()把这些索引层级转成列，同时给原来的统计值列起一个清晰的名字（避免默认的0列名，方便后续区分）：

# 处理第一个Series，将索引转为列，并重命名数值列
s1_df = s1.reset_index(name='val_bw_80_110_mean')

# 同理处理第二个Series（假设是另一个指标的统计值）
s2_df = s2.reset_index(name='other_metric_median')

# 处理第三个Series
s3_df = s3.reset_index(name='third_metric_sum')

执行完这一步，每个DataFrame都会包含subject_id、hadm_id、icustay_id这三个标识列，加上各自对应的统计值列。

第二步：合并多个DataFrame #

现在三个DataFrame都有相同的标识列，就可以用merge()方法按这些列合并了。如果你的三个Series覆盖的分组完全一致（每个subject_id-hadm_id-icustay_id组合在三个Series里都存在），用inner连接最稳妥；如果需要保留所有分组（哪怕某个分组在某个Series里缺失），就换成outer连接：

# 先合并前两个DataFrame
merged_temp = s1_df.merge(s2_df, on=['subject_id', 'hadm_id', 'icustay_id'], how='inner')

# 再合并第三个DataFrame得到最终结果
final_merged_df = merged_temp.merge(s3_df, on=['subject_id', 'hadm_id', 'icustay_id'], how='inner')

更高效的合并方式（当索引完全匹配时） #

如果三个Series的分层索引完全一致，你也可以先把它们横向拼接，再一次性重置索引，这样代码更简洁：

# 横向拼接三个Series
combined_series = pd.concat([s1, s2, s3], axis=1)

# 重置索引，把分层索引转为列
final_merged_df = combined_series.reset_index()

# 给列名重命名（可选，让列名更直观）
final_merged_df.columns = ['subject_id', 'hadm_id', 'icustay_id', 'val_bw_80_110_mean', 'other_metric_median', 'third_metric_sum']

关键知识点 #

reset_index()会把Series/DataFrame的索引（包括多层级索引）全部转为普通列，同时生成一个新的默认整数索引。这一步是让你能基于subject_id等标识列做合并的核心操作。

内容的提问来源于stack exchange，提问作者The Great