pandas逐行取字符串列指定索引字符匹配对应列值的方法

现有如下结构的DataFrame：

Policy Letter             Password  Lower  Upper  Count  Lower_Minus_1  Upper_Minus_1
0    4-5      l               rllllj      4      5      4              3              4
1   4-10      s  ssskssphrlpscsxrfsr      4     10      8              3              9
2  14-18      p  ppppppppppppppppppp     14     18     19             13             17
3    1-6      z       zzlzvmqbzzclrz      1      6      6              0              5
4    4-5      j          jhjjhxhjkxj      4      5      5              3              4 

需求为逐行读取Lower_Minus_1列的值作为索引，提取对应行Password列字符串该位置的字符，判断是否与Letter列的字符匹配。
固定取索引3的写法df['Password'].str[3] == df['Letter']可以正常运行，但仅能统一取所有行的第3位，不符合逐行动态取位的要求。自行尝试的两种写法均运行失败：

• 写法print(df['Password'].str[df['Letter']] == df['Letter'])所有行均返回False，匹配成功总数为0
• 写法print(df.apply(lambda x: x['Password'].str[x['Lower_Minus_1']], axis=1) == df['Letter'])抛出AttributeError，错误信息为'str' object has no attribute 'str'

• 第一种写法传参错误：Series.str[]支持传入等长的整数序列逐行取位，但你传入的是df['Letter']（存储的是待匹配的目标字符，不是位置索引），参数完全不符合要求，因此返回全False。
• 第二种写法误用.str访问器：apply(axis=1)逐行遍历时，每行返回的x['Password']是原生Python字符串对象，不是pandas Series，不存在.str属性，直接用Python原生字符串索引取值即可，无需调用.str。

以下三种写法均可实现需求，可根据场景选择：

• 方案1：pandas原生向量化写法（最简洁）
  直接给str[]传入位置列df['Lower_Minus_1']即可，无额外循环开销：

match_result = df['Password'].str[df['Lower_Minus_1']] == df['Letter']
print(match_result)

• 方案2：修正apply逻辑（可读性最高）
  去掉lambda中多余的.str访问器，直接对单行字符串取索引：

match_result = df.apply(lambda x: x['Password'][x['Lower_Minus_1']] == x['Letter'], axis=1)
print(match_result)

• 方案3：列表推导式（性能最优，适合超大数据集）
  原生Python遍历的开销远低于pandas apply，运行速度最快：

match_result = [pwd[pos] == target for pwd, pos, target in zip(df['Password'], df['Lower_Minus_1'], df['Letter'])]
# 需要和原DataFrame索引对齐时，转成Series即可
# match_result = pd.Series(match_result, index=df.index)

三种写法前5行的输出均和固定取索引3的结果一致：

0     True
1    False
2     True
3     True
4     True
dtype: bool

统计匹配成功总数直接调用match_result.sum()即可。

内容的提问来源于stack exchange，提问作者MarkS