You need to enable JavaScript to run this app. 如何对pandas DataFrame逐行按不同列位置进行快速高效切片
优惠活动
大模型
产品
解决方案
定价
更多

如何对pandas DataFrame逐行按不同列位置进行快速高效切片

问题原因

pandas的iloc花式索引逻辑和NumPy不同:当你给iloc传入两个等长的索引数组时,pandas默认返回行索引和列索引的笛卡尔积结果,而不是NumPy那种逐位置配对取值的逻辑,这就是你得到8行8列结果的核心原因。

最快实现方案

直接利用NumPy的索引逻辑处理DataFrame的底层数组,再包装回pandas对象即可,效率远高于任何循环方案:

import numpy as np
import pandas as pd

# 拆分索引元组
row_idx, col_idx = idx
# 直接对底层numpy数组做逐位置索引,再转回Series
result = pd.Series(df.to_numpy()[row_idx, col_idx], index=df.index[row_idx])

如果需要保留DataFrame格式,只需要追加to_frame()方法即可:

result_df = result.to_frame(name='target_value')

效率说明

  • 转NumPy索引的方案是O(n)时间复杂度,全程向量化运算,没有Python层循环开销,数据量越大优势越明显,比普通Python循环快几十到上百倍。
  • 如果你非要用循环实现,也完全没必要在pandas层遍历,先转NumPy处理再转回的效率依然远高于直接遍历DataFrame的行/列。

其他可选方案(效率低于NumPy方案)

如果不想直接操作底层数组,也可以用pandas的lookup方法实现:

row_labels = df.index[row_idx]
col_labels = df.columns[col_idx]
result = pd.Series(df.lookup(row_labels, col_labels), index=row_labels)

不过lookup方法本质是Python层封装的循环,数据量较大时效率远低于直接操作NumPy数组的方案。

内容的提问来源于stack exchange,提问作者Tom McLean

相关产品推荐
方舟 Agent Plan

超全模态模型 × Harness 升级,最新支持 Deepseek-V4.1-Flash、GLM-5.3 系列、Doubao-Seedream-5.0-pro、Kimi-K3 (部分), 限时 9.9 元起

最近更新时间:2026.10.14 23:06:00