直接写 df.loc[('A', 'X')] 报 KeyError 是因为 loc 将元组视为单标签而非分层索引；正确写法需显式指定列切片，如 df.loc[('A', 'X'), :] 或用 xs、query 等更安全方式。
用 loc 查双重索引时为什么报 KeyError
直接写 df.loc[('A', 'X')] 看似合理，但常触发 KeyError——因为 loc 默认把元组当「单个标签」处理，而双重索引（MultiIndex）需要明确告诉 Pandas：这是层级匹配，不是一级索引里的某个奇怪字符串。
真正安全的做法是把行索引条件单独拎出来，列名另给：
-
df.loc[('A', 'X'), :]→ 查第1、2级索引都是('A', 'X')的整行 -
df.loc[('A', 'X'), 'col1']→ 查该行下'col1'列的值 - 如果只写
df.loc[('A', 'X')]，Pandas 会尝试在第一级索引里找叫('A', 'X')的标签，而不是分层匹配
想按部分层级筛选，比如“所有 A 组下的数据”怎么写
双重索引支持用 Slice 或空切片 : 表示通配，但必须显式写出层级结构。不能只写 df.loc['A']（除非你确定索引是 level=0 且没歧义），更稳妥的是用 xs 或 query。
-
df.loc[('A', slice(None)), :]→slice(None)代表第二级全选，括号不能省 -
df.xs('A', level=0)→ 更直白，从 level 0 提取所有'A'对应的子表 -
df.query("level_0 == 'A'")→ 如果索引名已设为'level_0'、'level_1'，query可读性更高
注意：df.loc['A'] 在某些构造下能运行，但属于隐式行为，一旦索引顺序或名称变动就失效，不推荐依赖。
列也是多重索引时，loc 怎么同时锁行列
行列都是 MultiIndex？那 loc 的语法就得对称：行用元组，列也得用元组，而且两边都得是「同维度元组」。
-
df.loc[('A', 'X'), ('cat', 'price')]→ 行取('A','X')，列取('cat','price') -
df.loc[('A', slice(None)), ('cat', slice(None))]→ 行第一级=A、第二级任意；列第一级=cat、第二级任意 - 漏掉任何一层的
slice(None)或写错顺序，都会报IndexingError或返回空
这种写法对齐要求严格，建议先用 df.index 和 df.columns 确认层级数和名称，再动手拼元组。
性能提醒：反复用 loc 元组查小数据 vs 用 xs 或布尔索引
对大表做多次 loc[('A','X')] 查询，比先用 xs 提前切出子视图再查要慢——因为每次 loc 都要重新解析层级路径；而 xs 是一次定位、返回新视图，后续操作基于子集，开销更低。
- 查一两次：用
loc[('A','X'), 'val']最直接 - 查同一组多列/多次：先
sub = df.xs(('A','X'), drop_level=False)，再sub['val1']、sub[['val1','val2']] - 涉及条件过滤（如第二级 > 5）：改用
df[df.index.get_level_values(1) > 5]，避免loc的语法负担
多重索引本身不慢，慢在写法绕、层级匹配逻辑容易写错，导致反复重建索引路径。
