Julia 的 CSV.jl 和 DataFrames.jl 原生不支持直接指定多级行索引（如 Pandas 的 index_col=[0,1]），但可通过组合 NamedArrays.jl 与手动解析行列标签，构建支持层级索引访问的命名数组，实现类似 df.loc[("A","D"), ("E","G")] 的语义化查询。
julia 的 csv.jl 和 dataframes.jl 原生不支持直接指定多级行索引（如 pandas 的 `index_col=[0,1]`），但可通过组合 `namedarrays.jl` 与手动解析行列标签，构建支持层级索引访问的命名数组，实现类似 `df.loc[("a","d"), ("e","g")]` 的语义化查询。
在 Julia 中处理具有多级行索引和多级列标题的 CSV 数据（如示例中前两行为列头、前两列为索引），需分步完成：跳过自动 header 解析 → 手动提取索引标签 → 提取列名标签 → 构建命名数组。核心思路是放弃 header=[1,2] 的自动解析，改用 header=false 读取原始表格，再分别定位索引行、索引列、数据区域与列头区域。
以下为完整可运行方案（需提前安装 CSV, DataFrames, NamedArrays）：
using CSV, DataFrames, NamedArrays
# 1. 无 header 读取，保留所有原始行
df = CSV.read("data.csv", DataFrame; header=false)
# 2. 提取多级行索引（第1–2列，第3行起为数据行）
row_labels = eachrow(df[3:end, 1:2])
index_names = [join(string.(r), "") for r in row_labels] # 如 ["AC", "AD", "BC", "BD"]
# 3. 提取多级列标题（第1–2行，第3列起为列头区域）
col_headers = Array(df[1:2, 3:end])
col_labels = [join(string.(col_headers[:, j]), "") for j in 1:size(col_headers, 2)] # 如 ["EG", "EH", "FG", "FH"]
# 4. 提取数值数据（第3行起、第3列起）
data_matrix = parse.(Int, Array(df[3:end, 3:end]))
# 5. 构建 NamedArray（支持字符串索引）
M = NamedArray(data_matrix, (index_names, col_labels);
dimsnames=("Index", "Columns"))
# 使用示例
@assert M["AD", "EG"] == 5
@assert M["B", "F"] === nothing # 注意：未做嵌套元组索引，仅支持扁平化键
⚠️ 重要说明与限制：
- 此方案将 (A,C) 合并为 "AC"、(E,G) 合并为 "EG"，实现了扁平化多级索引语义，而非 Pandas 那样保留元组结构（如 ("A","D")）。若需严格元组索引，可改用 AxisArrays.jl 或自定义 Dict{Tuple{String,String}, Int} 映射，但会牺牲向量化性能。
- NamedArrays.jl 不支持缺失值（missing）作为索引键；若数据含空值，务必先清洗或替换（如 replace!(x -> ismissing(x) ? "MISSING" : string(x), df)）。
- 列名去重未内置——若存在重复组合（如两列均为 "EG"），需额外处理（例如添加序号后缀）。
✅ 进阶建议：
对于复杂层级结构（如三维及以上、混合类型索引），推荐结合 DimensionalData.jl 或使用 DataFrames.jl + GroupedDataFrame 模拟逻辑分组，并通过 subset() 和 select() 实现条件检索，兼顾可维护性与 Julia 生态一致性。最终目标不是“复刻 Pandas”，而是以 Julia 的类型系统与函数式范式，构建更清晰、可推导的数据访问契约。
