Transformer une série en une trame de données après deux groupes par

Créez un nouveau DataFrame par le constructeur et ajoutez à l'original, supprimez le dernier index par reset_index:

df[['sector','education']] = pd.DataFrame(df.index.tolist(), index=df.index)
df = df.reset_index(drop=True)
print (df)
   max_ed          sector      education
0       3  Abastecimiento      Doctorado
1      50  Abastecimiento  Universitario
2     200  Abastecimiento      Terciario
3    1150  Abastecimiento     Secundario
4      92  Administracion      Doctorado
5     250  Administracion  Universitario
6     500  Administracion      Terciario
7    2150  Administracion     Secundario

Une autre solution avec join et reset_index par défaut indice:

df1 = (df.reset_index(drop=True)
        .join(pd.DataFrame(df.index.tolist(), columns=['sector','education'])))
print (df1)

   max_ed          sector      education
0       3  Abastecimiento      Doctorado
1      50  Abastecimiento  Universitario
2     200  Abastecimiento      Terciario
3    1150  Abastecimiento     Secundario
4      92  Administracion      Doctorado
5     250  Administracion  Universitario
6     500  Administracion      Terciario
7    2150  Administracion     Secundario

Si les performances sont importantes:

df = pd.concat([df] * 1000, ignore_index=True)

def wen(df):
    df=df.reindex(columns=df.columns.tolist()+['sector','education'])

    df[['sector','education']]=df.reset_index()['index'].apply(pd.Series).values
    return df

def jez(df):
    df[['sector','education']] = pd.DataFrame(df.index.tolist(), index=df.index)
    return df

print (jez(df.copy()))
print (wen(df.copy()))

In [396]: %timeit (jez(df.copy()))
2.69 ms ± 50.2 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)

In [397]: %timeit (wen(df.copy()))
1.53 s ± 45.9 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)

Si vos données sont dans une série s:

df = (
    pd.Series(s.index)
    .apply(pd.Series, index=["sector", "education"])
    .assign(max_ed=s.values)
)