这应该也可以。它的灵感来自于mozway在链接上的回答。

keep = ['lev0','lev1']

~df.index.droplevel(df.index.names.difference(keep)).duplicated()

OP编辑：

我在一个10级MultiIndex的1000x1000 df上对各种解决方案（以及我的原始代码）进行了计时，这个解决方案（使用droplevel和names.difference）是明显的赢家，超过了一个数量级。从最快到最慢：

%timeit ~df.index.droplevel(df.index.names.difference(['lev0', 'lev1'])).duplicated()
72.1 µs ± 248 ns per loop (mean ± std. dev. of 7 runs, 10,000 loops each)

%timeit ~df[[]].reset_index(level=['lev0', 'lev1']).duplicated().to_numpy()
816 µs ± 3.21 µs per loop (mean ± std. dev. of 7 runs, 1,000 loops each)

%timeit ~df.reset_index(level=['lev0', 'lev1']).duplicated(subset=['lev0', 'lev1']).to_numpy()
12.3 ms ± 38.6 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)

%timeit ~df.assign(check=df.index.get_level_values(0), check2=df.index.get_level_values(1)).duplicated(subset=['check', 'check2'])
12.7 ms ± 47.3 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)

%timeit df.index.isin(df.assign(check=df.index.get_level_values('lev0'), check2=df.index.get_level_values('lev1')).drop_duplicates(subset=['check', 'check2']).index)
15.7 ms ± 59.2 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)

感谢@rhug123和the answer he posted，我改进了我的原始代码，使用duplicated代替drop_duplicates，否定了对.index.isin的需求。我选择不使用to_frame，因为我的MultiIndex是10级深，复制所有的级别只是为了使用2似乎效率低下。这两种解决方案都只提取所需的索引级别。
3种不同的选择，从最慢到最快：

df['keeper'] = ~df.assign(check=df.index.get_level_values(0), check2=df.index.get_level_values(1)).duplicated(subset=['check', 'check2'])
df['keeper2'] = ~df.reset_index(level=['lev0', 'lev1']).duplicated(subset=['lev0', 'lev1']).to_numpy()
df['keeper3'] = ~df[[]].reset_index(level=['lev0', 'lev1']).duplicated().to_numpy()

在reset_index之后，需要to_numpy，因为索引不再与原始索引匹配。第三种解决方案首先删除所有使用df[[]]的列，因此不需要subset。