如何将带固定hierarchical dimensions的未知列数data file转换为flatfile格式？

核心逻辑完全围绕「层级规则固定、列数动态变化」的前提设计，不需要预先写死全量列位置、全量列名，具体执行步骤如下：

• 第一步：锚定固定层级的识别规则
  不要把层级判断和固定列位置绑定——毕竟动态加列很容易把原来的层级列挤到别的位置，只要把提前已知的固定层级判定逻辑写死就行：比如根据行首缩进量、行内文本的层级编号格式（如1、1.1、1.1.1）、单元格的内置格式属性匹配对应层级。不管源数据总共有多少列，只要命中判定规则，就把该行对应映射到固定的层级节点上。
• 第二步：逐行缓存层级值并向下传递
  扫描每一行时，一旦识别到某行属于某个固定层级，就把该行的层级节点值存入临时缓存；同时清空缓存中所有比当前层级更细粒度的旧值，避免跨节点错配。后续扫描到更细粒度的行时，直接把缓存中存储的所有上级层级值和当前行绑定，不需要反复回溯上级行的存储位置。
• 第三步：动态识别动态指标列，自动拼接扁平行
  扫描过程中遇到最细粒度的行时，根本不需要提前知道这一行后面跟着多少个指标列：自动把表头行里除了层级列之外的所有单元格收集为动态指标列名，后续逐行按列位置匹配对应指标值，和当前绑定的所有层级值拼成一整行扁平结构的记录。哪怕后续列数从3列变到20列，也不需要调整核心逻辑。

关键注意事项 #

• 层级判定优先选和列位置无关的特征：比如缩进量、文本内的层级编号，别硬编码“第1列是顶级类目、第2列是二级类目”这类规则，防止动态加列导致整个识别逻辑失效。
• 缓存逻辑要按层级深度做匹配清空：比如扫描到一个新的顶级类目节点时，要把之前缓存的二级、三级类目的值全部清空，避免把旧类目的值错配到新类目下。
• 空值处理要统一规则：最细粒度行如果遇到指标列缺值，统一填充为空值或预设的缺失标记，不要因为行的列数和预期不一致就跳过整行数据。

简化的逻辑参考（无固定列数依赖）：

# 预先固化层级判定规则
fixed_level_mapping = {
    "indent_0": "顶级类目",
    "indent_2": "二级类目",
    "indent_4": "三级类目"
}
level_cache = {}
flat_output = []
dynamic_metrics = []

for row in source_data:
    # 识别当前行的缩进特征，匹配对应层级
    row_indent_key = f"indent_{get_row_indent(row)}"
    if row_indent_key in fixed_level_mapping:
        current_level = fixed_level_mapping[row_indent_key]
        # 更新当前层级的缓存值
        level_cache[current_level] = get_cell_text(row, 0)
        # 清空所有比当前层级更深的缓存
        for exist_level in list(level_cache.keys()):
            if get_level_depth(exist_level) > get_level_depth(current_level):
                del level_cache[exist_level]
        # 表头行动态收集所有非层级的指标列
        if is_header_row(row):
            dynamic_metrics = collect_all_cells_beyond_hierarchy(row)
        continue
    # 最细粒度数据行：拼接扁平行
    new_flat_row = {**level_cache}
    for idx, metric_name in enumerate(dynamic_metrics):
        new_flat_row[metric_name] = get_cell_text(row, idx + hierarchy_offset)
    flat_output.append(new_flat_row)

内容的提问来源于stack exchange，提问作者JDR