Python二维数组for循环语法中train[][]含义及列引用问题

for f in train.columns:
    missings = train[train[f] == -1][f].count()

这段代码里的train不是Python原生的嵌套列表（也就是常说的原生二维数组），是pandas库的DataFrame二维表对象，连续两个方括号属于链式索引操作——本质是连续执行两次单维度索引，不是专门为二维结构设计的特殊语法。
逐段拆解这行的索引逻辑：

• 第一层索引train[train[f] == -1]：完成行维度筛选。其中train[f]是先取出当前列名f对应的整列数据，train[f] == -1会生成一个和原表行数一致的布尔值序列，把这个序列传入方括号，就会筛出所有「f列取值为-1」的行，返回一个仅包含这些行的子DataFrame。
• 第二层索引[f]：在刚才筛出来的行子集上，取出列名为f的整列数据，返回一个一维的Series对象。
• 末尾的.count()是统计这个Series中非空值的总数，也就是当前遍历到的f列里，被标记为-1的缺失值数量（这类写法常见于数据分析竞赛，通常会把原始缺失值统一填充为-1做标记）。

Python原生二维嵌套列表的索引写法arr[i][j]，本质也是链式索引：先通过arr[i]取出第i行的子列表（一维结构），再通过[j]取出子列表里第j个位置的元素，整个过程是先操作行维度、再操作列/元素维度，最终定位二维结构里的目标位置。
这段代码里的train[][]逻辑和原生二维数组的链式索引完全对齐：

• 第一次索引针对二维表的行维度做筛选，拿到符合条件的行子集
• 第二次索引针对二维表的列维度做选择，拿到目标列
  整个操作最终是从「行+列」构成的二维表中，定位到满足条件的所有行的指定列位置的元素，核心逻辑和二维数组定位元素一致，区别仅在于原生二维数组一般用数字位置做下标，而DataFrame支持用列名、布尔判断条件做更灵活的索引。

注：这种链式索引仅适合做数据读取、统计的场景，如果用来给表中元素赋值，很容易触发pandas的SettingWithCopyWarning，导致赋值不生效，官方更推荐用.loc方法一次性完成行、列索引，写法为train.loc[train[f] == -1, f].count()。

内容的提问来源于stack exchange，提问作者MinKwon Kim