重复创建变量致索引查找失败，双DataFrame过滤及RangeIndex报错求助

一、修复'RangeIndex' object is not callable报错 #

错误根源 #

你调用的.index(100)是误用：Pandas Series的.index是属性，返回的是索引对象（比如RangeIndex），不是用来查找值位置的方法。要定位值为100的行索引，得用正确的筛选逻辑。

正确实现 #

1. 获取所有匹配值的索引

# 先取出目标DataFrame
target_df = globals()[f'df_n{i}']
# 筛选value等于100的行，提取其索引
index_100 = target_df[target_df['value'] == 100].index

2. 获取第一个匹配值的索引

如果只需要第一个符合条件的索引：

mask = target_df['value'] == 100
if mask.any():  # 先判断是否存在匹配项，避免索引越界
    index_100 = target_df[mask].index[0]
else:
    index_100 = None  # 无匹配时的默认处理

3. 更优的DataFrame管理方式

用globals()动态生成变量是不规范的，建议用字典统一管理多个DataFrame：

# 初始化字典存储所有df_n系列DataFrame
df_collection = {}
# 示例：循环创建并存入字典
for i in range(3):
    df_collection[f'df_n{i}'] = pd.DataFrame({'value': [98, 100, 102]})

# 取值时直接从字典获取
target_df = df_collection[f'df_n{i}']
index_100 = target_df[target_df['value'] == 100].index[0]

二、两个DataFrame的数据过滤方法 #

根据不同场景，常见实现如下：

场景1：按一个DataFrame的字段过滤另一个 #

比如保留df2中id存在于df1的id列中的行：

# 方法1：用isin快速筛选
filtered_df2 = df2[df2['id'].isin(df1['id'])]

# 方法2：通过内连接过滤（适合需要关联两个表数据的场景）
filtered_result = pd.merge(df2, df1[['id']], on='id', how='inner')

场景2：基于两个表的共同条件过滤 #

如果两个DataFrame索引对齐，可直接按条件组合筛选：

# 筛选两个表中value都大于90的行
condition = (df1['value'] > 90) & (df2['value'] > 90)
filtered_df1 = df1[condition]
filtered_df2 = df2[condition]

若索引不对齐，先按共同字段合并再筛选：

# 合并两个表，保留共同字段的关联数据
merged_df = pd.merge(df1, df2, on='id', suffixes=('_from_df1', '_from_df2'))
# 按组合条件筛选
filtered_merged = merged_df[(merged_df['value_from_df1'] > 90) & (merged_df['value_from_df2'] > 90)]

内容的提问来源于stack exchange，提问作者yunahwang