如何使用Pandas批量查找多行多列对应值？

我是Python新手，有如下存储为DataFrame的表格：

现有两个列表：

a = [20, 20, 21, 22]
b = [2000, 2010, 2010, 2020]

需要按[Age, 年份]的组合批量查找对应值，最终得到包含4个数值的数组。尝试过普通索引、多级索引，用.at和.loc时返回4×4表格，无法得到目标结果，求解决办法。

方法1：用DataFrame.lookup（Pandas旧版适用） #

lookup是专门按行-列对应组合取值的方法，直接传入行标签和列标签列表即可：

import pandas as pd

# 构建你的DataFrame（确保Age是索引，年份列类型和b列表一致）
df = pd.DataFrame(
    data=[[0.5, 0.6, 0.7], [0.4, 0.4, 0.8], [0.3, 0.2, 0.5]],
    index=[20, 21, 22],
    columns=[2000, 2010, 2020]
)

a = [20, 20, 21, 22]
b = [2000, 2010, 2010, 2020]

result = df.lookup(a, b)
print(result)  # 输出: array([0.5, 0.6, 0.4, 0.5])

注意：如果你的年份列是字符串类型（比如列名是'2000'），需要把b列表转成字符串格式。

方法2：转成多级索引Series后批量匹配 #

先将DataFrame堆叠成多级索引的Series，再用reindex匹配目标组合：

# 堆叠DataFrame，得到(index=Age, columns=年份)的多级索引Series
stacked_series = df.stack()

# 把a和b组合成元组列表
lookup_pairs = list(zip(a, b))

# 批量取值
result = stacked_series.reindex(lookup_pairs).values
print(result)  # 输出: array([0.5, 0.6, 0.4, 0.5])

方法3：Numpy向量化索引（高效） #

将DataFrame转为Numpy数组，把行、列标签转换成位置索引后取值：

import numpy as np

# 获取Age对应的行位置索引
row_pos = df.index.get_indexer(a)
# 获取年份对应的列位置索引
col_pos = df.columns.get_indexer(b)

# 用Numpy数组直接按位置取值
result = df.to_numpy()[row_pos, col_pos]
print(result)  # 输出: array([0.5, 0.6, 0.4, 0.5])

内容的提问来源于stack exchange，提问作者Cynthia