问题背景：
在用Pandas进行数据分析和处理的时候，常会用到如
goupby(),pivot()
等方法，这些方法极大简化了我们的操作复杂度。但另一方面，这些操作之后返回的类型往往却并不是一个标准的
DataFrame
。具体的现象就是常会出现多出来的一级表头，而当我们想要再进行继续处理时，它的索引方式就发生变化了，不便于我们进一步操作。因此我们希望能够有一种方法将这些返回类型再次变为我们需要的
DataFrame
类型同时保持原有的表头。本文就这一问题进行简单描述。
给定数据（
借用一下这位朋友的数据
）：
import pandas as pd
df= pd.DataFrame({'name': ['张三','李四','王五','张三','王五','张三','赵六','张三','赵六'],
'sex': ['男','女','男','男','男','男','女','女','女'],
'expense': [2.9,9.0,8.5,5.6,5.6,5.2,1.2,4.5,3.2],
'income': [5.2,2.5,6.3,5.6,4.5,5.6,1.2,8.5,1.2]
df的值
name sex expense income
0 张三 男 2.9 5.2
1 李四 女 9.0 2.5
2 王五 男 8.5 6.3
3 张三 男 5.6 5.6
4 王五 男 5.6 4.5
5 张三 男 5.2 5.6
6 赵六 女 1.2 1.2
7 张三 女 4.5 8.5
8 赵六 女 3.2 1.2
现在按性别统计他们的开销：
df_expense = df.groupby(['sex','name'])['expense'].agg(np.mean)
df_expense
sex name
女 张三 4.500000
李四 9.000000
赵六 2.200000
男 张三 4.566667
王五 7.050000
Name: expense, dtype: float64
注意，此时的df_expense变成了series，因为这里我们只聚合了一列。而此时的前2列，实际上已经变成了df_expense的index
df_expense.index
MultiIndex([('女', '张三'),
('女', '李四'),
('女', '赵六'),
('男', '张三'),
('男', '王五')],
names=['sex', 'name'])
那么如果直接使用to_frame()方法则不能得到我们想要的结果(即sex,name,mean_expense各为一列)：
pd.DataFrame(df_expense)
expense
sex name
女 张三 4.500000
李四 9.000000
赵六 2.200000
男 张三 4.566667
王五 7.050000
因为此时它的index仍然是刚才那个Series类型的index。
还好Pandas实际上提供了一种机制，即重置索引。其基本原理是将每一列只要是表头的项全部放在一起，作为一个完整的表头名，从而实现将多级表头合并为同一个表头的效果：
df_new = pd.DataFrame(df_expense).reset_index()
df_new
sex name expense
0 女 张三 4.500000
1 女 李四 9.000000
2 女 赵六 2.200000
3 男 张三 4.566667
4 男 王五 7.050000
再检查一下它的表头现在是哪些：
df_new.columns
Index(['sex', 'name', 'expense'], dtype='object')
这样一来，df_new就又变回了我们想要的DataFrame类型，就方便我们操作了。
DataFrame俗称数据框，和一般的Excel表格没有多大区别，一般包含索引（行）和表头（列），在python中，由pandas包提供。这是一个最简单的数据框类型，只包含一级索引和一级表头如果你的python还没有这个包，请执行以下命令安装：pip install pandas这一节，我们要处理的主题是：多级表头和多级目录先看看他们长什么样子：表格1：包含二级表头和一级索引表格二：包含二级索引和...
三级表头可以按如下办法设置：
col = [['一级1','一级1'，'一级1','一级2'，'一级2','一级2']['二级1','二级1'，'二级2','二级3'，'二级3','二级4']['三级1','三级2'，'三级3','三级4'，'三级5','三级5']]
data_df = pd.DataFrame(
data = [[xx,xx,xx...],[xxx,xxx,xxx,xxx],[xx,xxx,xxx].....],
columns = col,
index = [1,2
colums = [("1", "1.1"), ("1", "1.2"), ("1", "1.3"), ("2", "2.1"), ("2", "2.2"), ("2", "2.3")]
df.columns = pd.MultiIndex.from_tuples(columns)
这样ok了
pands.dataframe,最近遇到当columns是多行（多个表头）时，存表格时,index=False，报错，查了很多资料，结合了多个网上的记录才弄好，纪录一下。
首先就是如何将dataframe的columns设置成2级表头见代码和生成的表格：
M_F=pd.DataFrame(M_F,columns=[['宜昌天气预测报']*8+['五个分区降雨量(mm)']*5,['起报日期','预报日期','气温（℃）','降水(mm)','风速（m/s)','风向','气压(hPa)',
3 foo two w 4.0
#### 1、set_index(keys, drop=True, append=False, inplace=False, verify_integrity=False)
默认情况：
DataFrame.set_inde...
追加的时候，判断文件是否存着，如果不存在则添加表头，否则添加表头
if not os.path.exists('result.csv'):
data.to_csv('result.csv',encoding='utf_8_sig',mode='a',index=
贴上源码 函数_format_regular_rows
def _format_regular_rows(self):
has_aliases = isinstance(self.header, (tuple, list, np.ndarray, Index))
if has_alia...
关于Excel数据处理，很多同学可能使用过Pyhton的pandas模块，用它可以轻松地读取和转换Excel数据。但是实际中Excel表格结构可能比较杂乱，数据会分散不同的工作表中，而且在表格中分布很乱，这种情况下啊直接使用pandas就会非常吃力。本文虫虫给大家介绍使用pandas和openpyxl读取这样的数据的方法。问题缘起pandas read_excel函数在读取Excel工作表方面做得...
发现许多小伙伴入门Python几个月，还是低效率做数据处理。这套课程以形象的示意图，精心安排的案例，循序渐进带你玩转数据处理分析神器——pandas，课程中还有分析案例噢，干货满满！前言上一节我们已经熟悉了 DataFrame 的 index、columns、values 直接的转移，那么这节就有足够的知识快速理解透视与逆透视操作。长表与宽表一份表格数据，可以按照其数据形状划分为2种：长表与宽表。...
