如何基于行值与偏移量筛选Pandas DataFrame特定行？

已知不应采用迭代方式处理Pandas DataFrame，但找不到合适方法实现以下需求：基于行中值筛选特定行，同时部分行需要通过目标值所在行的偏移量定位。

初始数据与代码 #

import pandas as pd

data = {0: [
    'a',
    'viper',
    'b',
    'c',
    'cobra',
    'd',
    'e',
    'f'
], 1: [20,52,59,67,11,40,10,60]}

df = pd.DataFrame(data=data)

对应的DataFrame：

具体需求 #

需要筛选出：

• 包含viper的行
• 包含cobra的行
• cobra所在行往下数第2行（不能直接筛选该行的e，必须通过cobra的偏移定位）

期望结果：

场景扩展：有10多个类似viper、cobra的目标值，部分需要筛选原行（偏移量0），部分需要筛选下1行（偏移+1）或下2行（偏移+2），考虑用字典存储目标值与对应偏移量，再批量处理。

当前单个值处理方式：

row = df[df[0] == 'viper'].index[0]
# 再用iloc提取该行

询问：这种场景下的最佳处理方法是什么？

推荐批量收集目标索引，再一次性筛选的方式，符合Pandas向量化操作的高效思路，具体步骤如下：

1. 定义目标字典：键是要匹配的字符串，值是需要的偏移量列表（比如'cobra'需要[0, 2]，即原行和下2行；'viper'需要[0]）

targets = {
    'viper': [0],
    'cobra': [0, 2]
}

2. 遍历字典，收集所有合法的行索引：

selected_indices = []
for value, offsets in targets.items():
    # 获取当前值对应的所有行索引（兼容目标值重复出现的情况）
    base_indices = df[df[0] == value].index
    for idx in base_indices:
        for offset in offsets:
            new_idx = idx + offset
            # 确保偏移后的索引不超出DataFrame的行范围
            if new_idx < len(df):
                selected_indices.append(new_idx)

3. 去重并筛选结果：

# 去重避免同一行被多次选中
selected_indices = list(set(selected_indices))
# 按原DataFrame的行顺序排序（可选，保持结果行的原始顺序）
selected_indices.sort()
# 筛选得到最终结果
result_df = df.loc[selected_indices]

运行后result_df即为期望的输出。

核心优势 #

• 避免逐行迭代，利用Pandas索引操作提升处理效率
• 扩展性强：新增目标值或调整偏移量，只需修改targets字典
• 兼容重复值：如果某个目标值在DataFrame中多次出现，会自动处理所有对应行的偏移

内容的提问来源于stack exchange，提问作者daznata