如何取消pandas DataFrame自动截断，完整保留MultiIndex所有组合

你的代码问题核心在于：groupby操作默认会过滤掉没有任何数据的索引取值，你后续从grouped_df.index.levels获取层级取值生成全量索引时，已经丢失了原数据中完全没有出现过的取值，自然无法生成对应的索引组合。按如下步骤调整即可： #

方法1：提前定义全量索引取值（最稳定） #

如果你明确知道每个索引层级的所有可能取值，直接手动定义后生成全量索引，完全不依赖分组后的结果：

import pandas as pd

# 第一步：定义每个索引层级的所有可能取值，按索引顺序排列
index_levels = ['Channel', 'Duration', 'Designation', 'Manufacturing Class']
level_all_values = [
    ['Retail'], # Channel的所有可能值
    ['Month', 'Season'], # Duration的所有可能值
    ['Special', 'Not Special'], # Designation的所有可能值
    ['Brand', 'Generic'] # Manufacturing Class的所有可能值
]

# 第二步：分组时保留空分组，避免进一步过滤
grouped_df = df.groupby(
    by=index_levels,
    dropna=False,  # 保留值为NaN的分组
    observed=False # 如果是分类列，强制保留所有分类取值
)[['Total Purchases', 'Sales', 'Cost']].sum()

# 第三步：用提前定义的全量取值生成MultiIndex重排，缺失值填0
full_multi_index = pd.MultiIndex.from_product(level_all_values, names=index_levels)
grouped_df = grouped_df.reindex(full_multi_index, fill_value=0)

方法2：将索引列转为分类类型 #

如果希望直接通过列属性控制保留的取值，可以提前把索引列转为分类类型，提前指定所有可能的分类：

# 提前给每个索引列设置全部分类
df['Designation'] = pd.Categorical(df['Designation'], categories=['Special', 'Not Special'])
df['Duration'] = pd.Categorical(df['Duration'], categories=['Month', 'Season'])
# 其余索引列按同样逻辑设置分类

# 分组时指定observed=False，强制保留所有分类组合
grouped_df = df.groupby(
    by=index_levels,
    dropna=False,
    observed=False
)[['Total Purchases', 'Sales', 'Cost']].sum(fill_value=0)

注：sum的fill_value参数在pandas 2.1.0及以上版本支持，低版本可以后续再调用fillna(0)补全。

内容的提问来源于stack exchange，提问作者user16537374