One of the features of the Pandas library that I like the most is hierarchical indexing. The use of hierarchical indexing is illustrated by the following examples:

p01.py

import pandas as pd, pylab

idx = pd.MultiIndex.from_tuples([('a','x'),('a','y'),('b','x'),('b','y')])
col = pd.MultiIndex.from_tuples([('c1',0),('c1',1),('c2',0)],names=['f','s'])
dat = pylab.randn(len(idx),len(col))
df1 = pd.DataFrame(dat, index=idx, columns=col)

p02.txt

In [6]: df1
Out[6]: 
f          c1                  c2
s           0         1         0
a x  0.091242  0.700668  1.755267
  y  0.933405  0.129897 -0.082570
b x -0.828174 -0.614804  0.299050
  y -2.034121 -0.560468 -0.443721

As can be seen, the function MultiIndex enables us to turn a 
list of tuples into a hierarchical index. The cool thing about 
the hierarchical index is that we can now select out groups 
of columns/rows like so:

In [13]: df1.c1
Out[13]: 
s           0         1
a x  0.091242  0.700668
  y  0.933405  0.129897
b x -0.828174 -0.614804
  y -2.034121 -0.560468

Or like so:

In [17]: df1.loc['b']
Out[17]: 
f        c1                  c2
s         0         1         0
x -0.828174 -0.614804  0.299050
y -2.034121 -0.560468 -0.443721

A more powerful example of label based selection over a range is given later.

p03.py

col = pd.MultiIndex.from_tuples([('c3','x'),('c3','y')])
dat = pylab.randn(len(idx),len(col))
df2 = pd.DataFrame(dat, index=idx, columns=col)

p04.txt

In [7]: df2
Out[7]: 
           c3          
            x         y
a x -0.524225  0.245902
  y  0.286759  0.365465
b x  0.542192  1.605373
  y -0.554882  0.124332

p05.py

col = pd.MultiIndex.from_tuples([('c4','x'),('c4','y')])
dat = pylab.randn(len(idx),len(col))
df3 = pd.DataFrame(dat, index=idx, columns=col)

p06.txt

In [8]: df3
Out[8]: 
           c4          
            x         y
a x -0.339814 -0.399197
  y  0.053150  0.368418
b x  0.314094  0.228735
  y  0.030094  0.005102

p07.py

df_a = pd.concat([df1,df2,df3])

p08.txt

In [9]: df_a
Out[9]: 
     c1      c2        c3                  c4          
      0   1   0         x         y         x         y
a x NaN NaN NaN       NaN       NaN       NaN       NaN
  y NaN NaN NaN       NaN       NaN       NaN       NaN
b x NaN NaN NaN       NaN       NaN       NaN       NaN
  y NaN NaN NaN       NaN       NaN       NaN       NaN
a x NaN NaN NaN -0.524225  0.245902       NaN       NaN
  y NaN NaN NaN  0.286759  0.365465       NaN       NaN
b x NaN NaN NaN  0.542192  1.605373       NaN       NaN
  y NaN NaN NaN -0.554882  0.124332       NaN       NaN
a x NaN NaN NaN       NaN       NaN -0.339814 -0.399197
  y NaN NaN NaN       NaN       NaN  0.053150  0.368418
b x NaN NaN NaN       NaN       NaN  0.314094  0.228735
  y NaN NaN NaN       NaN       NaN  0.030094  0.005102

If you find those NaNs in the topmost rows and leftmost 
columns odd, I agree with you. What has happened here is 
that the column subindex for df1 is an integer (0,1) while 
df2 and df3 it is a string ('x','y').

Pandas (I used v 0.11.0) for some reason does not combine 
those indeces consistently, for example below you see that 
a join on axis=1 goes smoothly.

And if you skip down a bit you will see that if we set the 
indeces as strings ('0','1') the combination goes fine.

p09.py

df_b = pd.concat([df1,df2,df3], axis=1)

p10.txt

In [10]: df_b
Out[10]: 
f          c1                  c2        c3                  c4          
s           0         1         0         x         y         x         y
a x  0.091242  0.700668  1.755267 -0.524225  0.245902 -0.339814 -0.399197
  y  0.933405  0.129897 -0.082570  0.286759  0.365465  0.053150  0.368418
b x -0.828174 -0.614804  0.299050  0.542192  1.605373  0.314094  0.228735
  y -2.034121 -0.560468 -0.443721 -0.554882  0.124332  0.030094  0.005102

Note how we don't have an issue with some of the subindeces starting out 
as numbers

p11.py

df_c = pd.concat([df1,df2,df3], axis=0)

p12.txt

In [11]: df_c
Out[11]: 
     c1      c2        c3                  c4          
      0   1   0         x         y         x         y
a x NaN NaN NaN       NaN       NaN       NaN       NaN
  y NaN NaN NaN       NaN       NaN       NaN       NaN
b x NaN NaN NaN       NaN       NaN       NaN       NaN
  y NaN NaN NaN       NaN       NaN       NaN       NaN
a x NaN NaN NaN -0.524225  0.245902       NaN       NaN
  y NaN NaN NaN  0.286759  0.365465       NaN       NaN
b x NaN NaN NaN  0.542192  1.605373       NaN       NaN
  y NaN NaN NaN -0.554882  0.124332       NaN       NaN
a x NaN NaN NaN       NaN       NaN -0.339814 -0.399197
  y NaN NaN NaN       NaN       NaN  0.053150  0.368418
b x NaN NaN NaN       NaN       NaN  0.314094  0.228735
  y NaN NaN NaN       NaN       NaN  0.030094  0.005102

This is the same as axis=0

p13.py

col = pd.MultiIndex.from_tuples([('c1','0'),('c1','1'),('c2','0')],names=['f','s'])
dat = pylab.randn(len(idx),len(col))
df4 = pd.DataFrame(dat, index=idx, columns=col)
df_d = pd.concat([df4,df2,df3], axis=0)

p14.txt

In [12]: df_d
Out[12]: 
           c1                  c2        c3                  c4          
            0         1         0         x         y         x         y
a x  0.337708 -0.677786  2.774935       NaN       NaN       NaN       NaN
  y  1.661593 -1.035824 -1.680486       NaN       NaN       NaN       NaN
b x -0.797928 -1.212866 -1.161657       NaN       NaN       NaN       NaN
  y -0.750026  0.442908 -0.086385       NaN       NaN       NaN       NaN
a x       NaN       NaN       NaN -0.524225  0.245902       NaN       NaN
  y       NaN       NaN       NaN  0.286759  0.365465       NaN       NaN
b x       NaN       NaN       NaN  0.542192  1.605373       NaN       NaN
  y       NaN       NaN       NaN -0.554882  0.124332       NaN       NaN
a x       NaN       NaN       NaN       NaN       NaN -0.339814 -0.399197
  y       NaN       NaN       NaN       NaN       NaN  0.053150  0.368418
b x       NaN       NaN       NaN       NaN       NaN  0.314094  0.228735
  y       NaN       NaN       NaN       NaN       NaN  0.030094  0.005102

Note how the sub indecies are not a problem anymore, since they are all 
of the same type ('string')