Pandas多条件查询时如何高效获取目标列标量值（循环调用场景）

你现在代码跑出来是DataFrame不是标量，本质是筛完匹配行之后，用[['Salary_in_1000']]这种双重方括号取列——pandas里双重方括号取列永远返回二维结构的DataFrame，不会返回一维Series或者单值。同时你现在的写法是两步链式操作（先筛行、再取列），会生成多余的中间结果，在循环里反复跑的话性能损耗会非常明显。

如果只是零星几次查询，直接调整为单步索引写法就行，能直接拿到原生标量值：

• 把行筛选条件和目标列名放到同一个loc索引块里，用逗号分隔，省掉中间结果的生成，最后直接取标量：

# 写法1：用iat定位到匹配位置直接取标量
val = df.loc[(df['Age'] == 35) & (df['Name'] == "JOHN"), 'Salary_in_1000'].iat[0]

# 写法2：用item()把单元素Series直接转成Python原生值，和上面效果完全等价
val = df.loc[(df['Age'] == 35) & (df['Name'] == "JOHN"), 'Salary_in_1000'].item()

以上两种写法最终拿到的val都是值为100的原生整数，没有多余的pandas对象包装，完全符合需求。

如果这个查询要在循环里跑成百上千次，上面的布尔筛选写法依然不够——每次查询都要遍历全表生成两个布尔序列、做位与匹配行，循环次数多了，光是掩码生成的开销就会拖垮整体速度。
性能最高的实现思路是循环外提前建一次哈希映射，后续所有查询都走O(1)的键值查找，完全跳过全表扫描：

• 循环正式启动前，执行一次预构建，把Name+Age组合作为索引键，对应的薪资值作为映射存储对象：

# 全流程只需要跑一次的预构建逻辑
salary_lookup = df.set_index(['Name', 'Age'])['Salary_in_1000']

• 后续循环里的每次查询，直接用复合键取值就行，速度比全表布尔筛选快10~100倍：

# 循环内每次查询执行的代码
val = salary_lookup[('JOHN', 35)]

注意：如果存在同一个(姓名,年龄)对应多条记录的情况，上面的取值会返回一个单元素Series，只要在最后加个.iat[0]就能拿到对应标量，完全不影响查询性能。

• 别用df.loc[行条件]['列名']这种链式索引写法，这种写法不仅比单步loc慢，后续如果要修改值还会触发pandas的SettingWithCopyWarning报错
• 别先存匹配行的行号再用iloc取值，相当于多绕了一步计算索引的流程，反而增加不必要的开销

内容的提问来源于stack exchange，提问作者armin