xs()专为跨级提取设计，能固定某一级值并降维；loc[]仅匹配最外层或需完整元组路径；query()需先重置索引且性能较慢但逻辑清晰。
MultiIndex切片时为什么用xs()而不是loc[]？
因为loc[]在多级索引下默认只匹配最外层，想取中间某一级的子集（比如所有“2023年”的数据），xs()才是专为跨级提取设计的。它能固定某一级的值，返回降维后的DataFrame或Series。
常见错误是写df.loc['2023']——如果年份不是最外层索引，会报KeyError；或者用df.query("year == 2023")，但query不支持索引列直接引用（除非重置索引）。
-
xs()必须指定level参数，比如df.xs('2023', level='year') - 加
drop_level=False可保留被切掉的那级作为新索引（否则自动降维） - 若要提取多个值，用元组：
df.xs(('2023', 'Q1'), level=('year', 'quarter'))
用loc[]做多级精确匹配的写法要点
loc[]适合按完整层级路径精准定位，比如“北京-2023-Q1”。但它对层级顺序敏感，且必须传入与索引层级数一致的元组。
容易踩的坑：漏写某一级、顺序错位、用列表代替元组——df.loc[('Beijing', 2023)]合法，df.loc[['Beijing', 2023]]直接报TypeError。
立即学习“Python免费学习笔记（深入）”；
- 单级模糊匹配：用
slice(None)占位，如df.loc[('Beijing', slice(None), 'Q1'), :] - 多级范围切片：
df.loc[(slice('Beijing', 'Shanghai'), 2022:2023), :]（注意年份需为数值型索引） - 避免
df.loc['Beijing']这种写法——除非‘Beijing’是最外层且唯一，否则行为不可靠
用query()替代复杂loc的条件限制
query()读起来更直观，但前提是把索引转成普通列（reset_index()），否则无法引用index或level_0等名称。
性能上，query()在大数据量时可能比xs()慢，因为它要构造布尔掩码并过滤整表；但写复杂逻辑（如year > 2022 and region in ['Beijing', 'Shenzhen']）比嵌套loc清晰得多。
- 必须先
df_reset = df.reset_index()，再df_reset.query("year == 2023 and quarter == 'Q1'") - 索引名含空格或特殊字符时，要用反引号：
df_reset.query("`sales team` == 'A'") - 想保持原MultiIndex结构？最后补一句
.set_index(['region', 'year', 'quarter'])
提取后保留MultiIndex结构的关键细节
很多操作（比如xs()、query()后set_index()）容易意外丢失层级顺序或名称。MultiIndex的names属性一旦为空，后续xs()就无法按名引用level。
一个常被忽略的点：用droplevel()或swaplevel()后，务必检查df.index.names是否齐全。缺失名字的level会被当作None，导致xs(..., level='region')失效。
- 初始化时就命名清楚：
pd.MultiIndex.from_tuples(data, names=['region', 'year', 'quarter']) - 切片后验证：
assert df_sub.index.names == ['region', 'quarter']（若期望保留这两级） - 重命名某级：
df.index = df.index.set_names('yr', level='year')，而非直接改df.index.names[1]（不可变）
