分层设计通常，存储高维数据（即由多个键索引的数据）很有用。在实践中，通常使用分层索引（也称为多索引）将多个索引级别合并到单个索引中。通过这种方式，高维数据可以在熟悉的一维Series和二维DataFrame对象中紧凑地表示。乘索引级数假设您想要跟踪两个不同年份的州的一些信息。不好的构建方法使用此索引方案，您可以直接基于此多重索引对Series进行索引或切片。但是，如果您需要更复杂的过滤，例如选择2010年以来的所有值，则需要执行一些杂乱且可能缓慢的操作来实现它。好的构建方法现在要访问第二层为2000的所有数据，我们可以简单地使用Pandas切片表示法。我们为什么要用分级索引呢？正如我们能够使用多索引来表示1D Series中的2D DataFrame一样，我们也可以使用它来表示Series或DataFrame中的三维或多维数据。多索引中的每一个额外的级别表示数据的一个额外维度；利用这个属性，我们可以在可以表示的数据类型上有更大的灵活性。创建多索引的方法构造多重索引的Series或DataFrame最直接的方法是将包含两个或多个索引数组的列表传递给构造函数。显式多索引构造函数从数组列表中，给出每个级别内的索引值。从元组列表中，给出每个数据点的多个索引值。从每一层的单个指标的笛卡尔积得到。通过传递“level”和“codes”，直接使用MultiIndex的内部编码构造MultiIndex。在创建Series或DataFrame时，可以将上述任何对象作为索引参数传递，也可以将其传递给现有Series或DataFrame的reindex（）方法。多索引级别名称您可以通过将“names”参数传递给任何MultiIndex构造函数，或者在事后设置索引的“names”属性来命名MultiIndex的级别。索引和切片MultiIndex虽然在处理MultiIndex上的索引和切片任务时，将索引视为添加的维度可能会有所帮助，但实际上要理解这个概念并不容易。在没有loc indexer帮助的情况下对MultiIndex进行索引和切片包含一些可能会让你发疯乘索引级数如果没有loc indexer的帮助，其他类型的索引和选择只能在索引的键（即0级）上工作。这意味着我们没有从多重指数中获益