如何查询pandas中的MultiIndex索引列值

代码示例：

In [171]: A = np.array([1.1, 1.1, 3.3, 3.3, 5.5, 6.6])

In [172]: B = np.array([111, 222, 222, 333, 333, 777])

In [173]: C = randint(10, 99, 6)

In [174]: df = pd.DataFrame(zip(A, B, C), columns=['A', 'B', 'C'])

In [175]: df.set_index(['A', 'B'], inplace=True)

In [176]: df
Out[176]: 
          C
A   B      
1.1 111  20
    222  31
3.3 222  24
    333  65
5.5 333  22
6.6 777  74 

现在，我想检索 A 值：
Q1：在 [3.3, 6.6] 范围内 - 预期返回值：[3.3, 5.5, 6.6] 或 [3.3, 3.3, 5.5, 6.6]（如果包含最后一个），以及 [3.3, 5.5] 或 [3.3, 3.3, 5.5] 如果不是。
Q2：范围 [2.0, 4.0] - 预期返回值：[3.3] 或 [3.3, 3.3]

对于任何其他的都一样多重索引尺寸，例如 B 值：
Q3：在范围 [111, 500] 内重复，作为范围内的数据行数 - 预期返回值：[111, 222, 222, 333, 333]

更正式：

假设 T 是一个包含 A、B 和 C 列的表。该表包括n行。表格单元格是数字，例如 A 双精度型、B 和 C 整数。让我们创建一个数据框表 T 的数据，我们将其命名为 DF。让我们设置 DF 的 A 列和 B 列索引（不重复，即没有单独的 A 列和 B 列作为索引，并且单独作为数据），即本例中的 A 和 B多重索引.

问题：

1. 如何在索引上编写查询，例如查询索引 A（或 B），例如在标签区间 [120.0, 540.0] 中？存在标签 120.0 和 540.0。我必须澄清，我只对作为查询响应的索引列表感兴趣！
2. 如何相同，但如果标签 120.0 和 540.0 不存在，但存在值低于 120、高于 120 且低于 540 或高于 540 的标签？
3. 如果 Q1 和 Q2 的答案是唯一索引值，现在相同，但有重复，作为索引范围内的数据行数。

我知道在不是索引的列的情况下上述问题的答案，但在索引的情况下，经过在网络上的长期研究和对以下功能的实验pandas，我没有成功。我现在看到的唯一方法（无需额外编程）是除了索引之外还有 A 和 B 的副本作为数据列。

要查询df by the 多重索引值，例如，其中(A > 1.7) 和 (B :

In [536]: result_df = df.loc[(df.index.get_level_values('A') > 1.7) & (df.index.get_level_values('B') < 666)]

In [537]: result_df
Out[537]: 
          C
A   B      
3.3 222  43
    333  59
5.5 333  56

因此，例如要得到'A'索引值（如果仍需要）：

In [538]: result_df.index.get_level_values('A')
Out[538]: Index([3.3, 3.3, 5.5], dtype=object)

问题是，在大数据帧中，by index选择比排序的常规行选择差 10%。并且在重复性工作、循环中，延迟不断累积。参见示例：

In [558]: df = store.select(STORE_EXTENT_BURSTS_DF_KEY)

In [559]: len(df)
Out[559]: 12857

In [560]: df.sort(inplace=True)

In [561]: df_without_index = df.reset_index()

In [562]: %timeit df.loc[(df.index.get_level_values('END_TIME') > 358200) & (df.index.get_level_values('START_TIME') < 361680)]
1000 loops, best of 3: 562 µs per loop

In [563]: %timeit df_without_index[(df_without_index.END_TIME > 358200) & (df_without_index.START_TIME < 361680)]
1000 loops, best of 3: 507 µs per loop