我在轴1（列）中有一个带分层索引的数据框（来自groupby.agg操作）：
USAF WBAN year month day s_PC s_CL s_CD s_CNT tempf
sum sum sum sum amax amin
0 702730 26451 1993 1 1 1 0 12 13 30.92 24.98
1 702730 26451 1993 1 2 0 0 13 13 32.00 24.98
2 702730 26451 1993 1 3 1 10 2 13 23.00 6.98
3 702730 26451 1993 1 4 1 0 12 13 10.04 3.92
4 702730 26451 1993 1 5 3 0 10 13 19.94 10.94
我想压扁它，所以它看起来像这样（名字不重要 - 我可以重命名）：
USAF WBAN year month day s_PC s_CL s_CD s_CNT tempf_amax tmpf_amin
0 702730 26451 1993 1 1 1 0 12 13 30.92 24.98
1 702730 26451 1993 1 2 0 0 13 13 32.00 24.98
2 702730 26451 1993 1 3 1 10 2 13 23.00 6.98
3 702730 26451 1993 1 4 1 0 12 13 10.04 3.92
4 702730 26451 1993 1 5 3 0 10 13 19.94 10.94
我该怎么做？ （我已经尝试了很多，但无济于事。）
根据一个建议，这里是dict形式的头
{('USAF', ''): {0: '702730',
1: '702730',
2: '702730',
3: '702730',
4: '702730'},
('WBAN', ''): {0: '26451', 1: '26451', 2: '26451', 3: '26451', 4: '26451'},
('day', ''): {0: 1, 1: 2, 2: 3, 3: 4, 4: 5},
('month', ''): {0: 1, 1: 1, 2: 1, 3: 1, 4: 1},
('s_CD', 'sum'): {0: 12.0, 1: 13.0, 2: 2.0, 3: 12.0, 4: 10.0},
('s_CL', 'sum'): {0: 0.0, 1: 0.0, 2: 10.0, 3: 0.0, 4: 0.0},
('s_CNT', 'sum'): {0: 13.0, 1: 13.0, 2: 13.0, 3: 13.0, 4: 13.0},
('s_PC', 'sum'): {0: 1.0, 1: 0.0, 2: 1.0, 3: 1.0, 4: 3.0},
('tempf', 'amax'): {0: 30.920000000000002,
1: 32.0,
2: 23.0,
3: 10.039999999999999,
4: 19.939999999999998},
('tempf', 'amin'): {0: 24.98,
1: 24.98,
2: 6.9799999999999969,
3: 3.9199999999999982,
4: 10.940000000000001},
('year', ''): {0: 1993, 1: 1993, 2: 1993, 3: 1993, 4: 1993}}
答案 0 :(得分：335)
我认为最简单的方法是将列设置为顶级：
df.columns = df.columns.get_level_values(0)
注意：如果to级别有名称，您也可以通过此访问它，而不是0。
如果你想将你的MultiIndex / join组合成一个索引（假设你的列中只有字符串条目），你可以：
df.columns = [' '.join(col).strip() for col in df.columns.values]
注意：当没有第二个索引时，我们必须strip空白。
In [11]: [' '.join(col).strip() for col in df.columns.values]
Out[11]:
['USAF',
'WBAN',
'day',
'month',
's_CD sum',
's_CL sum',
's_CNT sum',
's_PC sum',
'tempf amax',
'tempf amin',
'year']
答案 1 :(得分：67)
pd.DataFrame(df.to_records()) # multiindex become columns and new index is integers only
答案 2 :(得分：33)
Andy Hayden的回答肯定是最简单的方法 - 如果你想避免重复的列标签，你需要稍微调整一下
In [34]: df
Out[34]:
USAF WBAN day month s_CD s_CL s_CNT s_PC tempf year
sum sum sum sum amax amin
0 702730 26451 1 1 12 0 13 1 30.92 24.98 1993
1 702730 26451 2 1 13 0 13 0 32.00 24.98 1993
2 702730 26451 3 1 2 10 13 1 23.00 6.98 1993
3 702730 26451 4 1 12 0 13 1 10.04 3.92 1993
4 702730 26451 5 1 10 0 13 3 19.94 10.94 1993
In [35]: mi = df.columns
In [36]: mi
Out[36]:
MultiIndex
[(USAF, ), (WBAN, ), (day, ), (month, ), (s_CD, sum), (s_CL, sum), (s_CNT, sum), (s_PC, sum), (tempf, amax), (tempf, amin), (year, )]
In [37]: mi.tolist()
Out[37]:
[('USAF', ''),
('WBAN', ''),
('day', ''),
('month', ''),
('s_CD', 'sum'),
('s_CL', 'sum'),
('s_CNT', 'sum'),
('s_PC', 'sum'),
('tempf', 'amax'),
('tempf', 'amin'),
('year', '')]
In [38]: ind = pd.Index([e[0] + e[1] for e in mi.tolist()])
In [39]: ind
Out[39]: Index([USAF, WBAN, day, month, s_CDsum, s_CLsum, s_CNTsum, s_PCsum, tempfamax, tempfamin, year], dtype=object)
In [40]: df.columns = ind
In [46]: df
Out[46]:
USAF WBAN day month s_CDsum s_CLsum s_CNTsum s_PCsum tempfamax tempfamin \
0 702730 26451 1 1 12 0 13 1 30.92 24.98
1 702730 26451 2 1 13 0 13 0 32.00 24.98
2 702730 26451 3 1 2 10 13 1 23.00 6.98
3 702730 26451 4 1 12 0 13 1 10.04 3.92
4 702730 26451 5 1 10 0 13 3 19.94 10.94
year
0 1993
1 1993
2 1993
3 1993
4 1993
答案 3 :(得分：13)
df.columns = ['_'.join(tup).rstrip('_') for tup in df.columns.values]
答案 4 :(得分：7)
如果你想保留多索引第二级的任何汇总信息，可以试试这个：
In [1]: new_cols = [''.join(t) for t in df.columns]
Out[1]:
['USAF',
'WBAN',
'day',
'month',
's_CDsum',
's_CLsum',
's_CNTsum',
's_PCsum',
'tempfamax',
'tempfamin',
'year']
In [2]: df.columns = new_cols
答案 5 :(得分：6)
此主题上的所有当前答案必须已经过时。从pandas版本0.24.0开始，.to_flat_index()可以满足您的需求。
来自熊猫的own documentation：
MultiIndex.to_flat_index（）
将MultiIndex转换为包含级别值的元组索引。
文档中的一个简单示例：
import pandas as pd
print(pd.__version__) # '0.23.4'
index = pd.MultiIndex.from_product(
[['foo', 'bar'], ['baz', 'qux']],
names=['a', 'b'])
print(index)
# MultiIndex(levels=[['bar', 'foo'], ['baz', 'qux']],
# codes=[[1, 1, 0, 0], [0, 1, 0, 1]],
# names=['a', 'b'])
正在应用to_flat_index()：
index.to_flat_index()
# Index([('foo', 'baz'), ('foo', 'qux'), ('bar', 'baz'), ('bar', 'qux')], dtype='object')
pandas列如何在dat（它是带有MultiIndex列的DataFrame）上使用它的示例：
dat = df.loc[:,['name','workshop_period','class_size']].groupby(['name','workshop_period']).describe()
print(dat.columns)
# MultiIndex(levels=[['class_size'], ['count', 'mean', 'std', 'min', '25%', '50%', '75%', 'max']],
# codes=[[0, 0, 0, 0, 0, 0, 0, 0], [0, 1, 2, 3, 4, 5, 6, 7]])
dat.columns = dat.columns.to_flat_index()
print(dat.columns)
# Index([('class_size', 'count'), ('class_size', 'mean'),
# ('class_size', 'std'), ('class_size', 'min'),
# ('class_size', '25%'), ('class_size', '50%'),
# ('class_size', '75%'), ('class_size', 'max')],
# dtype='object')
答案 6 :(得分：4)
另一个简短的，仅使用熊猫方法：
df.columns = df.columns.to_flat_index().str.join('_')
产量作为输出：
USAF_ WBAN_ day_ month_ ... s_PC_sum tempf_amax tempf_amin year_
0 702730 26451 1 1 ... 1.0 30.92 24.98 1993
1 702730 26451 2 1 ... 0.0 32.00 24.98 1993
2 702730 26451 3 1 ... 1.0 23.00 6.98 1993
3 702730 26451 4 1 ... 1.0 10.04 3.92 1993
4 702730 26451 5 1 ... 3.0 19.94 10.94 1993
您会注意到不属于 MultiIndex 的列的尾随下划线。你提到你不关心名字，所以这可能对你有用。在我自己的类似用例中，所有列都有两个级别，因此这个简单的命令创建了不错的名称。
答案 7 :(得分：4)
对我来说，最简单，最直观的解决方案是使用get_level_values合并列名称。当您在同一列上执行多个聚合时，这可以防止重复的列名：
level_one = df.columns.get_level_values(0).astype(str)
level_two = df.columns.get_level_values(1).astype(str)
df.columns = level_one + level_two
如果要在列之间使用分隔符，则可以执行此操作。这将返回与Seiji Armstrong关于已接受答案的评论相同的内容，该评论仅包括两个索引级别中的值的列的下划线：
level_one = df.columns.get_level_values(0).astype(str)
level_two = df.columns.get_level_values(1).astype(str)
column_separator = ['_' if x != '' else '' for x in level_two]
df.columns = level_one + column_separator + level_two
我知道这与Andy Hayden的出色答案具有相同的作用，但是我认为这种方式更直观，更容易记住（因此，我不必继续引用此线程），尤其是对于熊猫新手用户。
在您可能具有3个列级别的情况下，此方法也可以扩展。
level_one = df.columns.get_level_values(0).astype(str)
level_two = df.columns.get_level_values(1).astype(str)
level_three = df.columns.get_level_values(2).astype(str)
df.columns = level_one + level_two + level_three
答案 8 :(得分：4)
使用map函数的最Python方式。
df.columns = df.columns.map(' '.join).str.strip()
输出print(df.columns)：
Index(['USAF', 'WBAN', 'day', 'month', 's_CD sum', 's_CL sum', 's_CNT sum',
's_PC sum', 'tempf amax', 'tempf amin', 'year'],
dtype='object')
df.columns = [f'{f} {s}' if s != '' else f'{f}'
for f, s in df.columns]
print(df.columns)
输出：
Index(['USAF', 'WBAN', 'day', 'month', 's_CD sum', 's_CL sum', 's_CNT sum',
's_PC sum', 'tempf amax', 'tempf amin', 'year'],
dtype='object')
答案 9 :(得分：4)
在阅读完所有答案后，我想出了这个：
def __my_flatten_cols(self, how="_".join, reset_index=True):
how = (lambda iter: list(iter)[-1]) if how == "last" else how
self.columns = [how(filter(None, map(str, levels))) for levels in self.columns.values] \
if isinstance(self.columns, pd.MultiIndex) else self.columns
return self.reset_index() if reset_index else self
pd.DataFrame.my_flatten_cols = __my_flatten_cols
给定数据框：
df = pd.DataFrame({"grouper": ["x","x","y","y"], "val1": [0,2,4,6], 2: [1,3,5,7]}, columns=["grouper", "val1", 2])
grouper val1 2
0 x 0 1
1 x 2 3
2 y 4 5
3 y 6 7
单一汇总方法：结果变量名为与来源相同：
df.groupby(by="grouper").agg("min").my_flatten_cols()
df.groupby(by="grouper",相同 as_index = False )或.agg(...) .reset_index（） ----- before -----
val1 2
grouper
------ after -----
grouper val1 2
0 x 0 1
1 y 4 5
单一来源变量，多个汇总：结果变量以统计信息命名：
df.groupby(by="grouper").agg({"val1": [min,max]}).my_flatten_cols("last")
a = df.groupby(..).agg(..); a.columns = a.columns.droplevel(0); a.reset_index()相同。----- before -----
val1
min max
grouper
------ after -----
grouper min max
0 x 0 2
1 y 4 6
多个变量，多个聚合：结果变量名为（varname）_（statname）：
df.groupby(by="grouper").agg({"val1": min, 2:[sum, "size"]}).my_flatten_cols()
# you can combine the names in other ways too, e.g. use a different delimiter:
#df.groupby(by="grouper").agg({"val1": min, 2:[sum, "size"]}).my_flatten_cols(" ".join)
a.columns = ["_".join(filter(None, map(str, levels))) for levels in a.columns.values]（因为这种形式的agg()会在列上产生MultiIndex。my_flatten_cols帮助器，可能更容易输入@Seigi：a.columns = ["_".join(t).rstrip("_") for t in a.columns.values]建议的解决方案，在这种情况下其工作方式类似（但如果你有列上的数字标签）a.columns = ["_".join(tuple(map(str, t))).rstrip("_") for t in a.columns.values]）建议的解决方案，但我不明白为什么需要tuple()调用，而我只有在某些列具有rstrip()之类的描述符时才需要("colname", "") {如果您reset_index()在尝试修复.columns之前可能会发生这种情况，那么----- before -----
val1 2
min sum size
grouper
------ after -----
grouper val1_min 2_sum 2_size
0 x 0 4 2
1 y 4 12 2
您想手动命名结果变量：（这是deprecated since pandas 0.20.0 no adequate alternative as of 0.23}
df.groupby(by="grouper").agg({"val1": {"sum_of_val1": "sum", "count_of_val1": "count"},
2: {"sum_of_2": "sum", "count_of_2": "count"}}).my_flatten_cols("last")
map(str, ..) filter(None, ..) columns.values返回名称（str，而不是元组）.agg()的方式，您可能需要保留列的最底部标签或连接多个标签reset_index()能够以常规方式使用分组列，所以默认情况下这样做答案 10 :(得分：4)
可能有点迟了，但如果你不担心重复的列名：
df.columns = df.columns.tolist()
答案 11 :(得分：3)
处理多个级别和混合类型的通用解决方案：
df.columns = ['_'.join(tuple(map(str, t))) for t in df.columns.values]
答案 12 :(得分：3)
如果您希望在级别之间的名称中使用分隔符，则此功能可以正常运行。
def flattenHierarchicalCol(col,sep = '_'):
if not type(col) is tuple:
return col
else:
new_col = ''
for leveli,level in enumerate(col):
if not level == '':
if not leveli == 0:
new_col += sep
new_col += level
return new_col
df.columns = df.columns.map(flattenHierarchicalCol)
答案 13 :(得分：2)
在@jxstanford和@ tvt173之后，我写了一个快速函数，无论字符串/ int列名如何都应该这样做：
def flatten_cols(df):
df.columns = [
'_'.join(tuple(map(str, t))).rstrip('_')
for t in df.columns.values
]
return df
答案 14 :(得分：1)
你也可以这样做。将.setOnClickListener()视为您的数据框并假设为两级索引（在您的示例中就是这种情况）
DetailsActivity答案 15 :(得分：1)
另一个简单的例程。
def flatten_columns(df, sep='.'):
def _remove_empty(column_name):
return tuple(element for element in column_name if element)
def _join(column_name):
return sep.join(column_name)
new_columns = [_join(_remove_empty(column)) for column in df.columns.values]
df.columns = new_columns
答案 16 :(得分：0)
我将分享一种对我有用的简单方法。
[" ".join([str(elem) for elem in tup]) for tup in df.columns.tolist()]
#df = df.reset_index() if needed
答案 17 :(得分：0)
要在其他DataFrame方法链内展平MultiIndex，请定义如下函数：
def flatten_index(df):
df_copy = df.copy()
df_copy.columns = ['_'.join(col).rstrip('_') for col in df_copy.columns.values]
return df_copy.reset_index()
然后使用pipe method在DataFrame方法链中，在groupby和agg之后但在此链中任何其他方法之前应用此功能：
my_df \
.groupby('group') \
.agg({'value': ['count']}) \
.pipe(flatten_index) \
.sort_values('value_count')