嘿，我来帮你搞定这个MultiIndex的扩展需求！针对你提到的公司数量多、数据量大的场景，我给你推荐两种高效且Pythonic的解决方案，完美适配你的需求，还能避免你之前遇到的拼接MultiIndex的麻烦。

方法一：直接通过MultiIndex元组赋值（最简洁高效） #

这种方法利用Pandas对MultiIndex列的原生支持，直接通过元组索引给每个公司添加新列，全程是矢量化操作，速度快、内存占用低，非常适合上千家公司的场景：

import pandas as pd
import numpy as np

# 先构造你的示例数据
cols = pd.MultiIndex.from_product([['Company A','Company B'],['VWAL','Volumn']],names=[u'Entity',u'Indicator'])
rows = pd.date_range(start='2018-01-01',periods=6,freq='D')
df = pd.DataFrame(np.random.randint(1,100,(6,4)),index=rows,columns=cols)

# 获取所有唯一的公司名称
companies = df.columns.get_level_values('Entity').unique()

# 循环给每个公司添加计算列
for comp in companies:
    # 直接用MultiIndex元组作为列名，Pandas会自动归类到对应公司的层级下
    df[(comp, 'VWAL+Volumn')] = df[(comp, 'VWAL')] + df[(comp, 'Volumn')]
    df[(comp, 'VWAL-Volumn')] = df[(comp, 'VWAL')] - df[(comp, 'Volumn')]

# 排序列索引，让每个公司的所有列集中在一起（可选，但更整洁）
df = df.sort_index(axis=1)

执行后，你的DataFrame会自动扩展为每个公司包含4列的结构，示例输出如下：

Entity        Company A                     Company B                   
Indicator        VWAL Volumn VWAL+Volumn VWAL-Volumn        VWAL Volumn VWAL+Volumn VWAL-Volumn
2018-01-01          92      3          95          89          22     59          81         -37
2018-01-02          90     67         157          23          52     69         121         -17
2018-01-03          12     10          22           2          35     11          46          24
2018-01-04          83      7          90          76          62      5          67          57
2018-01-05          35     74         109         -39          27     19          46           8
2018-01-06          97     50         147          47          93     39         132          54

方法二：生成器迭代+分组计算（内存友好型） #

如果你的数据量极端庞大，内存吃紧，可以用生成器来逐个生成新列，避免一次性把所有新列加载到内存中：

def generate_calculated_cols(df):
    # 按公司层级分组遍历
    for entity, group in df.groupby(level='Entity', axis=1):
        # 计算求和列，并设置对应的MultiIndex
        sum_col = group.xs('VWAL', level='Indicator', axis=1) + group.xs('Volumn', level='Indicator', axis=1)
        sum_col.columns = pd.MultiIndex.from_tuples([(entity, 'VWAL+Volumn')])
        yield sum_col
        
        # 计算差值列，同样设置MultiIndex
        diff_col = group.xs('VWAL', level='Indicator', axis=1) - group.xs('Volumn', level='Indicator', axis=1)
        diff_col.columns = pd.MultiIndex.from_tuples([(entity, 'VWAL-Volumn')])
        yield diff_col

# 合并原DataFrame和生成器产生的新列
df_expanded = pd.concat([df] + list(generate_calculated_cols(df)), axis=1).sort_index(axis=1)

生成器的优势在于按需生成数据，不会在内存中存储所有新列的副本，适合内存资源有限的场景。

为什么你的原代码遇到问题？ #

你之前尝试的temp = df.loc(axis=1)[:,'VWAL'].values+...得到的是一个numpy数组，丢失了原有的MultiIndex列信息，所以pd.concat时无法自动对应到各个公司的层级下。而上面的两种方法都保留了新列的MultiIndex结构，拼接时自然就能和原DataFrame的层级对齐。

内容的提问来源于stack exchange，提问作者Yan Tian