将标签型索引(loc)转为位置型索引(iloc)的更优实现方法问询

当然有比暴力法更好的实现方式！pandas本身就提供了专门的工具来处理这类标签到位置索引的映射需求，不仅代码更简洁，性能也更出色，尤其适合大型数据集。

方法1：使用pd.Index.get_indexer()（推荐） #

这是pandas官方推荐的方法，专门用于获取一组标签对应的位置索引，底层经过优化，效率很高：

import numpy as np
import pandas as pd

data = pd.DataFrame(
    {
        'x': [11, 12, 13],
        'y': [21, 22, 23]
    },
    index=['a', 'b', 'c']
)

my_lab = ['a', 'c']
my_pos = data.index.get_indexer(my_lab)
# 输出：array([0, 2])

它还支持处理不存在的标签（默认返回-1，可以通过missing参数自定义），灵活性拉满。

方法2：构建标签-位置字典（适合多次查询场景） #

如果需要多次根据标签查询位置，先构建一个映射字典会更高效——字典的查询时间复杂度是O(1)：

label_pos_map = {label: idx for idx, label in enumerate(data.index)}
my_pos = [label_pos_map[label] for label in my_lab]
# 输出：[0, 2]

这种方式可读性极强，一眼就能明白你在做什么，而且重复查询时性能优势明显。

对比你的暴力法 #

你原来的代码：

my_pos = (data.index == my_idx).to_numpy().nonzero()[0]

其实等价于np.where(data.index.isin(my_lab))[0]，但这两种方式都需要遍历整个索引来匹配，当数据集很大时，效率会远不如上面两种方法。

总结一下，优先用get_indexer()，简洁又高效；如果需要多次查询，就用字典映射的方式，性能和可读性都在线。

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