Pandas reset_index(): DataFrameのインデックスをリセットする完全ガイド
- Name
- Soren Atelier
Updated on
pandasのDataFrameを扱っていると、インデックスが乱れて（連番にならず）扱いにくくなることがよくあります。groupby後、行のフィルタリング、並び替えなどを行うと、インデックスに欠番が出たり、重複したり、意味のないラベルになったりします。こうした不規則なインデックスは、データの取り回しを難しくし、他ライブラリ側の前提を崩し、エクスポートや可視化時の出力を紛らわしくします。
reset_index()メソッドは、この問題を解決し、DataFrameに「きれいな連番の整数インデックス」を復元します。データパイプラインの整形、機械学習向けデータセットの準備、単に予測可能な行番号が欲しいときなど、インデックスを正しくリセットする理解は効率的なpandasワークフローに不可欠です。
このガイドでは、基本構文から高度なMultiIndex操作まで、pandasにおけるインデックス操作を体系的に解説します。
reset_index()が必要になる理由を理解する
pandasはDataFrame作成時に自動で整数インデックス（0, 1, 2, ...）を割り当てます。しかし、多くの一般的な操作がこの連番を崩します。
フィルタリング後: ブールインデックスで行を絞り込むと、残った行は元のインデックス値を保持するため、欠番が発生します。
import pandas as pd
df = pd.DataFrame({
'name': ['Alice', 'Bob', 'Charlie', 'David'],
'score': [85, 92, 78, 95]
})
# 高得点者を抽出 - インデックスが [1, 3] になる
high_scorers = df[df['score'] > 80]
print(high_scorers)
# name score
# 1 Bob 92
# 3 David 95groupby後: 集計すると、列の値がインデックスレベルに変換され、後で列に戻したくなることがよくあります。
# カテゴリでグループ化 - categoryがインデックスになる
sales = pd.DataFrame({
'category': ['A', 'B', 'A', 'B'],
'revenue': [100, 150, 200, 175]
})
grouped = sales.groupby('category')['revenue'].sum()
print(grouped)
# category
# A 300
# B 325
# Name: revenue, dtype: int64ソート後: 値で並び替えると行順は変わりますが、元のインデックスは保持されます。
sorted_df = df.sort_values('score')
print(sorted_df)
# name score
# 2 Charlie 78
# 0 Alice 85
# 1 Bob 92
# 3 David 95set_index()後: 列をインデックスに昇格させたあと、元に戻したい場合。
こうした状況では、インデックスが0から始まらない／非連続になる／整数ではなくカテゴリ値になるなどの問題が起こります。reset_index()はこれらを整えて「元に戻す」役割を担います。
reset_index()の基本構文
基本の構文はシンプルです。
df.reset_index(drop=False, inplace=False, level=None, col_level=0, col_fill='')主要パラメータ:
drop(bool):Trueなら古いインデックスを破棄。False（デフォルト）なら列として追加。inplace(bool):TrueならDataFrameをその場で変更。False（デフォルト）なら新しいDataFrameを返す。level(int/str/list): MultiIndexの場合、リセットするインデックスレベルを指定。
基本例:
df = pd.DataFrame({
'value': [10, 20, 30]
}, index=[5, 10, 15])
# 連番インデックスにリセット
df_reset = df.reset_index()
print(df_reset)
# index value
# 0 5 10
# 1 10 20
# 2 15 30デフォルトでは、古いインデックスが "index" という名前の新しい列になります。
drop=True vs drop=False: 古いインデックスを残す/捨てる判断
dropは古いインデックスを列として保持するかを制御します。
drop=False（デフォルト）を使うべき場面: 古いインデックスに意味がある場合。
# 時系列データ - 日付インデックスを保持したい
dates = pd.date_range('2024-01-01', periods=3)
df = pd.DataFrame({'sales': [100, 150, 200]}, index=dates)
df_reset = df.reset_index()
print(df_reset)
# index sales
# 0 2024-01-01 100
# 1 2024-01-02 150
# 2 2024-01-03 200
# 列として日付でフィルタできる
recent = df_reset[df_reset['index'] >= '2024-01-02']drop=Trueを使うべき場面: 古いインデックスが単なる行番号で、意味がない場合。
# フィルタ後 - 古いインデックス番号は意味が薄い
filtered = df[df['sales'] > 120]
print(filtered)
# sales
# 2024-01-02 150
# 2024-01-03 200
# 古いインデックスを捨てて新しい連番にする
clean = filtered.reset_index(drop=True)
print(clean)
# sales
# 0 150
# 1 200よくあるパターン: groupbyの集計後は drop=False でグルーピングキーを列に戻すことが多いです。
sales = pd.DataFrame({
'region': ['North', 'South', 'North', 'South'],
'product': ['A', 'A', 'B', 'B'],
'revenue': [100, 150, 200, 175]
})
# GroupByで region と product がインデックスになる
summary = sales.groupby(['region', 'product'])['revenue'].sum()
print(summary)
# region product
# North A 100
# B 200
# South A 150
# B 175
# Name: revenue, dtype: int64
# リセットして列に戻す
summary_df = summary.reset_index()
print(summary_df)
# region product revenue
# 0 North A 100
# 1 North B 200
# 2 South A 150
# 3 South B 175inplaceパラメータ: DataFrameを直接変更する
デフォルトでは、reset_index()は元のDataFrameを変更せず、新しいDataFrameを返します。inplace=Trueを指定すると、その場で変更します。
df = pd.DataFrame({'value': [1, 2, 3]}, index=[10, 20, 30])
# デフォルト: 新しいDataFrameを返す
df_new = df.reset_index(drop=True)
print(df.index) # Still [10, 20, 30]
print(df_new.index) # RangeIndex(start=0, stop=3, step=1)
# inplace=True: df自体を変更する
df.reset_index(drop=True, inplace=True)
print(df.index) # RangeIndex(start=0, stop=3, step=1)inplace=Trueが向く場面:
- メモリ制約が厳しく、コピー作成が高コストなとき
- 元のDataFrameが不要で、逐次処理したいとき
inplace=False（デフォルト）が向く場面:
- メソッドチェーンを使うとき
- 元データを保持したいとき
- 可読性とデバッグ性を優先したいとき（代入が明示される）
多くのpandas利用者は、明確さのために inplace=False を好みます。
# 明確: 代入で意図が見える
df = df.reset_index(drop=True)
# 不明瞭: どこで変更されたか追いにくい
df.reset_index(drop=True, inplace=True)levelパラメータでMultiIndex DataFrameをリセットする
MultiIndex（階層インデックス）のDataFrameは特別な扱いが必要です。levelで特定のインデックスレベルだけを選択的にリセットできます。
MultiIndexの作成:
# groupby由来のMultiIndex
sales = pd.DataFrame({
'region': ['East', 'East', 'West', 'West'],
'quarter': ['Q1', 'Q2', 'Q1', 'Q2'],
'revenue': [100, 150, 200, 175]
})
multi_df = sales.set_index(['region', 'quarter'])
print(multi_df)
# revenue
# region quarter
# East Q1 100
# Q2 150
# West Q1 200
# Q2 175全レベルをリセット（デフォルト）:
# 両レベルを列に戻す
reset_all = multi_df.reset_index()
print(reset_all)
# region quarter revenue
# 0 East Q1 100
# 1 East Q2 150
# 2 West Q1 200
# 3 West Q2 175位置指定で特定レベルをリセット:
# 外側レベル（region）だけリセット
reset_outer = multi_df.reset_index(level=0)
print(reset_outer)
# region revenue
# quarter
# Q1 East 100
# Q2 East 150
# Q1 West 200
# Q2 West 175名前指定で特定レベルをリセット:
# quarterだけリセットし、regionはインデックスのまま
reset_quarter = multi_df.reset_index(level='quarter')
print(reset_quarter)
# quarter revenue
# region
# East Q1 100
# East Q2 150
# West Q1 200
# West Q2 175複数レベルをまとめてリセット:
# 3階層のMultiIndex
df = pd.DataFrame({
'country': ['USA', 'USA', 'UK', 'UK'],
'state': ['CA', 'TX', 'London', 'Manchester'],
'city': ['LA', 'Austin', 'City', 'City'],
'population': [4000000, 950000, 9000000, 550000]
})
three_level = df.set_index(['country', 'state', 'city'])
# country と city だけリセットし、stateは残す
reset_some = three_level.reset_index(level=['country', 'city'])
print(reset_some)
# country city population
# state
# CA USA LA 4000000
# TX USA Austin 950000
# London UK City 9000000
# Manchester UK City 550000groupby後のreset_index()
reset_index()の最も代表的な用途は、groupby結果を通常のDataFrameに戻すことです。
単純な集計:
sales = pd.DataFrame({
'category': ['Electronics', 'Clothing', 'Electronics', 'Clothing'],
'revenue': [500, 300, 700, 400]
})
# groupby().sum()でcategoryがインデックスになる
grouped = sales.groupby('category')['revenue'].sum()
print(grouped)
# category
# Clothing 700
# Electronics 1200
# Name: revenue, dtype: int64
# categoryを列として持つDataFrameへ
result = grouped.reset_index()
print(result)
# category revenue
# 0 Clothing 700
# 1 Electronics 1200agg()で複数集計:
# 複数の集計関数
agg_result = sales.groupby('category')['revenue'].agg(['sum', 'mean', 'count'])
print(agg_result)
# sum mean count
# category
# Clothing 700 350 2
# Electronics 1200 600 2
# categoryを列に戻す
agg_df = agg_result.reset_index()
print(agg_df)
# category sum mean count
# 0 Clothing 700 350 2
# 1 Electronics 1200 600 2複数列でグルーピング:
sales = pd.DataFrame({
'region': ['North', 'South', 'North', 'South'],
'product': ['A', 'A', 'B', 'B'],
'units': [100, 150, 200, 175],
'revenue': [1000, 1500, 2000, 1750]
})
# 複数列でgroupby
multi_group = sales.groupby(['region', 'product']).agg({
'units': 'sum',
'revenue': 'mean'
})
print(multi_group)
# units revenue
# region product
# North A 100 1000.0
# B 200 2000.0
# South A 150 1500.0
# B 175 1750.0
# MultiIndexを列へ戻す
final = multi_group.reset_index()
print(final)
# region product units revenue
# 0 North A 100 1000.0
# 1 North B 200 2000.0
# 2 South A 150 1500.0
# 3 South B 175 1750.0メソッドチェーンの定番パターン:
# よくある: groupby → agg → reset_index を一気に書く
summary = (sales
.groupby(['region', 'product'])
.agg({'revenue': 'sum', 'units': 'mean'})
.reset_index()
)フィルタリング・スライシング後のreset_index()
フィルタリングやスライシングは元のインデックスを維持するため、欠番を含む非連番インデックスになりがちです。
ブールフィルタ後:
students = pd.DataFrame({
'name': ['Alice', 'Bob', 'Charlie', 'David', 'Eve'],
'score': [85, 92, 78, 95, 88],
'grade': ['B', 'A', 'C', 'A', 'B']
})
# A評価のみ抽出 - インデックスが [1, 3]
a_students = students[students['grade'] == 'A']
print(a_students)
# name score grade
# 1 Bob 92 A
# 3 David 95 A
# 連番に整える
a_students_clean = a_students.reset_index(drop=True)
print(a_students_clean)
# name score grade
# 0 Bob 92 A
# 1 David 95 Ailocスライス後:
# 中央3行を取得
middle = students.iloc[1:4]
print(middle)
# name score grade
# 1 Bob 92 A
# 2 Charlie 78 C
# 3 David 95 A
# リセット
middle_reset = middle.reset_index(drop=True)
print(middle_reset)
# name score grade
# 0 Bob 92 A
# 1 Charlie 78 C
# 2 David 95 A複数条件フィルタ後:
# 複合条件で抽出
high_performers = students[
(students['score'] > 85) &
(students['grade'].isin(['A', 'B']))
]
# インデックスが [1, 3, 4] になり非連番
print(high_performers.index.tolist()) # [1, 3, 4]
# きれいにリセット
high_performers = high_performers.reset_index(drop=True)
print(high_performers.index.tolist()) # [0, 1, 2]reset_index() vs set_index(): 相補的な操作
reset_index()とset_index()は逆方向の操作です。set_index()は列をインデックスに昇格し、reset_index()はインデックスを列に降格します。
set_index() → reset_index() の往復:
df = pd.DataFrame({
'employee_id': [101, 102, 103],
'name': ['Alice', 'Bob', 'Charlie'],
'salary': [75000, 82000, 68000]
})
# employee_idをインデックスへ
indexed = df.set_index('employee_id')
print(indexed)
# name salary
# employee_id
# 101 Alice 75000
# 102 Bob 82000
# 103 Charlie 68000
# employee_idを列へ戻す
restored = indexed.reset_index()
print(restored)
# employee_id name salary
# 0 101 Alice 75000
# 1 102 Bob 82000
# 2 103 Charlie 68000使い分け:
| Operation | Use Case |
|---|---|
set_index() | キーによる高速参照（.loc[key]）、時系列の整列、現列でgroupbyしたいとき |
reset_index() | CSV/Excel出力、機械学習（数値インデックス前提のケース）、可視化、現インデックスを列として扱いたいとき |
実務的なワークフロー例:
# employee_idが通常の列の状態で開始
employees = pd.DataFrame({
'employee_id': [101, 102, 103, 104],
'department': ['Sales', 'Sales', 'Engineering', 'Engineering'],
'salary': [75000, 82000, 95000, 88000]
})
# 高速参照のためにインデックス化
employees_indexed = employees.set_index('employee_id')
# 社員IDで高速参照
bob_salary = employees_indexed.loc[102, 'salary'] # 82000
# 部署で集計したいのでインデックスを戻す
summary = (employees_indexed
.reset_index()
.groupby('department')['salary']
.mean()
.reset_index()
)
print(summary)
# department salary
# 0 Engineering 91500
# 1 Sales 78500名前付きインデックスをリセットする
index.nameでインデックスに名前が付いている場合、reset_index()はその名前を新しい列名として使います。
名前付きインデックスの例:
# 名前付きインデックスのDataFrame
df = pd.DataFrame({
'temperature': [72, 75, 68, 80]
}, index=pd.Index(['2024-01-01', '2024-01-02', '2024-01-03', '2024-01-04'], name='date'))
print(df)
# temperature
# date
# 2024-01-01 72
# 2024-01-02 75
# 2024-01-03 68
# 2024-01-04 80
# リセット - 'date' が列名になる
reset_df = df.reset_index()
print(reset_df)
# date temperature
# 0 2024-01-01 72
# 1 2024-01-02 75
# 2 2024-01-03 68
# 3 2024-01-04 80名前付きMultiIndex:
# 名前付きMultiIndex
arrays = [
['A', 'A', 'B', 'B'],
['X', 'Y', 'X', 'Y']
]
index = pd.MultiIndex.from_arrays(arrays, names=['category', 'subcategory'])
df = pd.DataFrame({'value': [10, 20, 30, 40]}, index=index)
print(df)
# value
# category subcategory
# A X 10
# Y 20
# B X 30
# Y 40
# リセット - namesが列名になる
reset_df = df.reset_index()
print(reset_df)
# category subcategory value
# 0 A X 10
# 1 A Y 20
# 2 B X 30
# 3 B Y 40リセット直後にリネーム:
# リセットしてすぐリネーム
reset_renamed = df.reset_index().rename(columns={'category': 'main_cat'})
print(reset_renamed)
# main_cat subcategory value
# 0 A X 10
# 1 A Y 20
# 2 B X 30
# 3 B Y 40よくあるパターンとベストプラクティス
パターン1: groupby集計パイプライン
# groupby分析の定番形
result = (df
.groupby(['category', 'region'])
.agg({'sales': 'sum', 'quantity': 'mean'})
.reset_index()
.sort_values('sales', ascending=False)
)パターン2: フィルタ後のデータ整形
# フィルタしてからリセット（パイプライン）
clean_data = (df
[df['status'] == 'active']
.reset_index(drop=True)
)パターン3: 時系列インデックスを列として保持
# 可視化用にdateを列として持たせる
plot_data = timeseries_df.reset_index()
plot_data.plot(x='date', y='value')パターン4: index列名の衝突を避ける
# すでに 'index' 列があると、reset_indexは 'level_0' を作る
df = pd.DataFrame({'index': [1, 2, 3], 'value': [10, 20, 30]})
df_reset = df.reset_index()
print(df_reset.columns.tolist()) # ['level_0', 'index', 'value']
# より良い: 古いインデックスが不要ならdrop=True
df_reset = df.reset_index(drop=True)
print(df_reset.columns.tolist()) # ['index', 'value']パターン5: 出力向けDataFrame
# CSV保存前にリセットして余計なindex列を出さない
df.reset_index(drop=True).to_csv('output.csv', index=False)パラメータ比較表
| Parameter | Default | Effect | When to Use |
|---|---|---|---|
drop=False | Yes | 古いインデックスを列に変換 | インデックスに意味がある（日時、ID、カテゴリなど） |
drop=True | No | 古いインデックスを破棄し、新しい連番にする | 古いインデックスが単なる行番号で意味がない |
inplace=False | Yes | 新しいDataFrameを返し、元は変更しない | メソッドチェーン、元データ保持 |
inplace=True | No | DataFrameを直接変更し、Noneを返す | メモリ効率、逐次処理 |
level=None | Yes | 全インデックスレベルをリセット | 単一インデックス、またはMultiIndex全体を戻したい |
level=0 or level='name' | No | 特定レベルのみリセット | MultiIndexで一部レベルを残したい |
col_level=0 | Yes | MultiIndex列に対して列レベルを指定 | 高度: MultiIndex columnsを持つDataFrame |
col_fill='' | Yes | 欠けた列名を埋める | 高度: MultiIndex列のエッジケース |
実務での例
例1: 機械学習用データの準備
# 乱れたインデックスのデータを読み込む
import pandas as pd
from sklearn.model_selection import train_test_split
df = pd.read_csv('sales_data.csv')
# フィルタと特徴量作成でインデックスが断片化
df_filtered = df[df['valid'] == True].copy()
df_filtered['revenue_per_unit'] = df_filtered['revenue'] / df_filtered['units']
# train/test split前にインデックスをリセット
# 多くのMLライブラリは 0 始まりのきれいなインデックスの方が扱いやすい
df_clean = df_filtered.reset_index(drop=True)
X = df_clean.drop('target', axis=1)
y = df_clean['target']
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)例2: 時系列のリサンプリングと分析
# 日次売上データ
sales = pd.DataFrame({
'date': pd.date_range('2024-01-01', periods=365, freq='D'),
'revenue': range(365)
})
sales_ts = sales.set_index('date')
# 月次合計にリサンプル
monthly = sales_ts.resample('M')['revenue'].sum()
print(monthly.head())
# date
# 2024-01-31 465
# 2024-02-29 1305
# 2024-03-31 2170
# Name: revenue, dtype: int64
# 可視化用にdateを列として戻す
monthly_df = monthly.reset_index()
monthly_df.columns = ['month', 'total_revenue']
# 列名前提のライブラリで描画しやすい
import matplotlib.pyplot as plt
monthly_df.plot(x='month', y='total_revenue', kind='bar')例3: レポート用の多段集計
# 複雑なビジネスレポート
transactions = pd.DataFrame({
'region': ['East', 'East', 'West', 'West', 'East', 'West'],
'product': ['A', 'B', 'A', 'B', 'A', 'B'],
'quarter': ['Q1', 'Q1', 'Q1', 'Q1', 'Q2', 'Q2'],
'revenue': [1000, 1500, 2000, 1750, 1200, 1800]
})
# 多段groupby
report = (transactions
.groupby(['region', 'quarter', 'product'])
.agg({
'revenue': ['sum', 'mean', 'count']
})
.reset_index()
)
# 列のMultiIndexをフラット化
report.columns = ['_'.join(col).strip('_') for col in report.columns]
print(report)
# region quarter product revenue_sum revenue_mean revenue_count
# 0 East Q1 A 1000 1000.0 1
# 1 East Q1 B 1500 1500.0 1
# 2 East Q2 A 1200 1200.0 1
# 3 West Q1 A 2000 2000.0 1
# 4 West Q1 B 1750 1750.0 1
# 5 West Q2 B 1800 1800.0 1例4: PyGWalkerでの可視化
import pandas as pd
import pygwalker as pyg
# 複雑なデータ変換後
df = pd.read_csv('metrics.csv')
summary = (df
.groupby(['category', 'month'])
.agg({'value': 'mean', 'count': 'sum'})
.reset_index() # 重要: PyGWalkerはフラットなDataFrameの方が扱いやすい
)
# インタラクティブ可視化を作成
# reset_index()で列構造を整えるとドラッグ&ドロップUIが安定する
walker = pyg.walk(summary)PyGWalker (opens in a new tab) は、pandasのDataFrameをTableau風のインタラクティブ可視化に変換するオープンソースのPythonライブラリです。reset_index()でMultiIndex集計をフラット化してから使うと、PyGWalkerのドラッグ&ドロップUIで追加のプロットコードを書かずにデータ探索できます。グループ化したデータを素早く可視化したい場合や、非技術者の関係者とインタラクティブなダッシュボードを共有したい場合に特に有用です。
よくあるミスと回避方法
ミス1: groupby後にresetし忘れる
# 間違い: groupby結果ではcategoryがインデックス
grouped = df.groupby('category')['value'].sum()
# categoryを列として参照できず失敗
grouped['category'] # KeyError!
# 正しい: resetしてインデックス→列に変換
grouped_df = df.groupby('category')['value'].sum().reset_index()
grouped_df['category'] # Works!ミス2: 列名の重複を作ってしまう
# すでに 'index' 列がある
df = pd.DataFrame({'index': [1, 2, 3], 'value': [10, 20, 30]})
# reset_index()は衝突回避で 'level_0' を作る
df_reset = df.reset_index()
print(df_reset.columns.tolist()) # ['level_0', 'index', 'value']
# 解決: 古いインデックスが不要ならdrop=True
df_reset = df.reset_index(drop=True)
print(df_reset.columns.tolist()) # ['index', 'value']ミス3: inplaceはNoneを返すことを理解せず代入してしまう
# 間違い: dfにNoneが代入される
df = df.reset_index(drop=True, inplace=True)
print(df) # None
# 正しい: inplaceを使うなら代入しない
df.reset_index(drop=True, inplace=True)
# もしくは推奨: デフォルトで代入する
df = df.reset_index(drop=True)ミス4: エクスポート前に意味のないインデックスを落とさない
# 間違い: CSVに余計な 'Unnamed: 0' 列ができがち
df.to_csv('output.csv')
# 正しい: resetして index=False を指定
df.reset_index(drop=True).to_csv('output.csv', index=False)ミス5: MultiIndexで間違ったlevelをリセットする
# MultiIndex: [region, product]
multi_df = df.set_index(['region', 'product'])
# 間違い: 内側レベル（product）だけリセットし、regionが残る
wrong = multi_df.reset_index(level=1)
# 正しい: 外側レベル（region）をリセットしたいならlevel=0
correct = multi_df.reset_index(level=0)
# 両方戻すならこちら
both = multi_df.reset_index()FAQ
pandasのreset_index()は何をするものですか？
reset_index()は、DataFrameの現在のインデックスを通常の列に戻し、新しいデフォルトの整数インデックス（0, 1, 2, ...）を作成します。groupby、フィルタリング、ソートなどで連番インデックスが崩れた後に特に重要です。デフォルトでは古いインデックスを新しい列として保持しますが、drop=Trueで破棄できます。
いつreset_index(drop=True)を使うべきですか？
既存のインデックスに意味がなく、0から始まるきれいな連番インデックスだけが欲しい場合は reset_index(drop=True) を使います。これは、行のフィルタ後、値でのソート後、あるいは前処理の残骸として行番号が残っているケースでよく起こります。日付、ID、カテゴリなど保持したい値がインデックスに入っている場合は、drop=False（デフォルト）で列に変換して残してください。
pandasでMultiIndexをリセットするにはどうすればいいですか？
MultiIndexのDataFrameでは、引数なしの reset_index() を使うと全インデックスレベルが列に戻ります。特定レベルだけ戻したい場合は level を使い、df.reset_index(level=0) のように位置指定、または df.reset_index(level='level_name') のように名前指定ができます。複数レベルなら df.reset_index(level=[0, 2]) のようにリストを渡します。
reset_index()とset_index()の違いは何ですか？
reset_index()とset_index()は逆操作です。set_index()は1つ以上の列をDataFrameのインデックスに昇格し、高速参照や時系列操作に有用です。reset_index()は現在のインデックスを通常の列に戻し、新しいデフォルト整数インデックスを作ります。インデックスベースの操作が必要ならset_index()、列として扱ってgroupby/出力/可視化したいならreset_index()を使います。
reset_index()の後に'level_0'列が出るのはなぜですか？
DataFrameにすでに'index'という列がある状態でreset_index()を呼ぶと、pandasは既存列名を上書きしないように'level_0'、'level_1'…といった列名を作ります。防ぐには、reset前に既存の'index'列をリネームするか、古いインデックスが不要ならreset_index(drop=True)を使ってください。
reset_index()でinplace=Trueを使うべきですか？
多くの場合は、明確で読みやすい inplace=False（デフォルト）を使い、df = df.reset_index()のように明示的に代入するのが推奨です。inplace=Trueはコピーを作らずメモリ節約になることがありますが、戻り値がNoneでデバッグしづらくなります。近年のpandas開発では、可読性と保守性のためにinplaceより明示代入が好まれる傾向です。
pandasでgroupby後にインデックスをリセットするには？
groupby後は、グループ化に使った列がインデックスになります。.reset_index()を呼ぶと通常の列に戻せます（例: df.groupby('category')['value'].sum().reset_index()）。これは、結果を次の分析・出力・可視化で扱いやすくする定番パターンです。よく使われる流れは df.groupby(cols).agg(functions).reset_index() です。
まとめ
reset_index()を使いこなすことは、pandasでデータ操作を効果的に行ううえで非常に重要です。フィルタ後のデータ整形、groupby結果をフラットなDataFrameへ戻す処理、機械学習や可視化のための前処理など、インデックスを適切にリセットするだけでワークフローは格段にスムーズになります。
重要ポイントは次のとおりです。
- 古いインデックスが不要なら
drop=True、保持したいならdrop=Falseで列として残す - groupby後は
reset_index()でグルーピング列を通常の列に戻す - MultiIndexでは
levelで戻すレベルを選択できる - 明確なコードのために
inplace=False（デフォルト）＋明示代入を優先する - CSV出力や可視化ライブラリに渡す前にインデックスをリセットしておくと事故が減る
reset_index()をgroupby()、set_index()、フィルタリングなどと組み合わせることで、常に分析しやすいDataFrameを生成する、クリーンで保守しやすいデータ変換パイプラインを構築できます。