多键查询应依场景选方案：元组键最简但不支持部分匹配；defaultdict嵌套适合层级访问；multidict专解单层多值；dataframe擅长大数据条件筛选；自定义类需重载__getitem__和__contains__并统一键逻辑。
用 defaultdict 嵌套实现多键查询的朴素方案
直接用元组作键最省事，但无法支持“只查前两个键”或“按第二个键模糊匹配”这类需求。真正需要多维索引时，defaultdict 嵌套是起步最快的方式——它天然支持层级访问，且不抛 KeyError。
常见错误是把所有键一股脑塞进一层字典，导致后续想按部分键过滤时得遍历整个结构。嵌套后，data['user_123']['orders']['2024-05'] 这种写法才能自然对应业务语义。
- 第一层用
defaultdict(lambda: defaultdict(dict))，避免每次手动检查 key 是否存在 - 键名尽量用不可变、无歧义的类型，比如
str或int，别用浮点数或带空格的字符串 - 插入数据时统一路径深度，否则
data['a']['b'] = 1和data['a']['b']['c'] = 2混用会导致类型混乱
用 MultiDict（来自 multidict 库）处理重复键场景
当同一组键可能对应多个值（比如 HTTP 请求头里多个 Set-Cookie），标准字典或嵌套 defaultdict 就力不从心了。multidict.MultiDict 是专为这种场景设计的，底层用列表存值，支持 .getall() 和 .add()。
注意它不是为任意维度查询优化的，而是解决“单层键 → 多值”问题。如果你的多键其实是“用户ID + 时间戳 + 设备类型”，那它并不比嵌套字典更合适。
- 安装：
pip install multidict -
md = MultiDict([('user', '123'), ('user', '456')])，再调用md.getall('user')返回['123', '456'] - 它不支持嵌套键查询，比如
md['user']['orders']会报TypeError
用 pandas.DataFrame 实现带条件筛选的多键查询
当数据量超过几千条，或者你经常要执行“查 status=‘active’ 且 created_at > ‘2024-01-01’”这类组合过滤时，硬写嵌套字典会迅速失控。这时候 DataFrame 的 .query() 和 .loc[] 就是更稳的选择。
它的代价是内存占用略高、初始化稍慢，但换来的是可读性强、扩展性好、支持缺失值和类型校验。
- 把多键字段设为
index（如set_index(['user_id', 'order_type', 'year'])），就能用df.loc[('u1', 'refund', 2024)]快速定位 - 用
df.query("status == 'paid' and amount > 100")替代手写循环，逻辑清晰且不易出错 - 注意
query()中字符串值必须用单引号，双引号会被解析为变量名，比如"status == "active""会报NameError
自定义类封装时，务必重载 __getitem__ 和 __contains__
如果以上方案都不够贴合你的业务逻辑（比如键之间有依赖关系，或需要自动补全、缓存、权限校验），那就得自己写类。但很多人只实现了 __getitem__，却忘了 __contains__——结果 'user_123' in my_struct 总返回 False，哪怕数据明明存在。
更隐蔽的问题是，没考虑部分键匹配。例如支持 my_struct['user_123', ...] 表示“查该用户所有记录”，这需要在 __getitem__ 里识别 Ellipsis 或 None 占位符，并触发不同查找策略。
- 在
__getitem__开头加类型检查，比如if isinstance(key, tuple): ...，避免把单个字符串误当多键元组 -
__contains__必须和__getitem__使用完全一致的键归一化逻辑，否则行为不一致 - 如果底层用
dict存储，不要直接暴露其.keys()，因为那只是顶层键；应提供.keys(level=2)这样的方法来查第二层可用键
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
