在Pandas DataFrame中通过正则匹配获取匹配单元格的行列索引

好问题！双重循环遍历DataFrame确实是效率最低的做法，尤其是当数据量较大时，Python层面的循环会拖慢整个处理流程。Pandas本身提供了矢量化的字符串匹配方法，能让你高效找到符合正则的单元格索引，下面就给你两种最优实现方案：

核心思路 #

先通过str.contains()生成布尔掩码（标记每个单元格是否匹配正则），再从掩码中提取符合条件的行列索引，全程避免Python循环，利用Pandas/NumPy的底层优化提升性能。

示例准备 #

先创建一个测试用的DataFrame：

import pandas as pd
import numpy as np

# 构造包含字符串的DataFrame，部分带数字、部分不带
df = pd.DataFrame({
    'col1': ['abc123', 'def456', 'ghi'],
    'col2': ['jkl789', 'mno', 'pqr012'],
    'col3': ['stu', 'vwx345', 'yz']
})
# 目标正则：匹配包含数字的字符串
pattern = r'\d'

方案一：用stack()快速提取索引 #

这种方法代码简洁，可读性强，适合大多数场景：

# 生成布尔掩码：每个单元格是否匹配正则（na=False处理NaN值）
mask = df.apply(lambda col: col.str.contains(pattern, na=False))

# 堆叠掩码并筛选出匹配的项，最后转成索引元组列表
matched_indices = mask.stack()[mask.stack()].index.tolist()

print(matched_indices)
# 输出结果：[(0, 'col1'), (0, 'col2'), (1, 'col1'), (1, 'col3'), (2, 'col2')]

解释：

• apply(lambda col: col.str.contains(...))对每一列应用字符串匹配，生成和原DataFrame形状一致的布尔矩阵；
• stack()会把列索引转换成多级索引的第二部分，把二维结构变成一维的Series；
• 最后筛选出值为True的项，其索引就是(行索引, 列名)的元组。

方案二：用np.where()获取坐标（性能更优） #

如果你的DataFrame数据量极大，推荐用这种基于NumPy的方法，性能会比stack()略高：

# 同样先生成布尔掩码
mask = df.apply(lambda col: col.str.contains(pattern, na=False))

# 获取匹配单元格的行、列位置数组
row_positions, col_positions = np.where(mask)

# 把位置转换成对应的索引元组（行位置转成DataFrame的行索引，列位置转成列名）
matched_indices = list(zip(df.index[row_positions], df.columns[col_positions]))

print(matched_indices)
# 输出和方案一完全一致的结果

解释：

• np.where()直接返回布尔矩阵中True值的行、列坐标（是整数位置，不是索引标签）；
• 再通过df.index和df.columns把整数位置映射成实际的索引标签和列名，最后打包成元组列表。

注意事项 #

1. 处理非字符串列：如果DataFrame里有非字符串类型的列（比如数值型），str.contains()会报错，建议先筛选出字符串列再处理：

   str_columns = df.select_dtypes(include=['object']).columns
   mask = df[str_columns].apply(lambda col: col.str.contains(pattern, na=False))
   

2. NaN值处理：str.contains()中的na=False参数很关键，它会把NaN值标记为不匹配，避免出现NaN导致的掩码混乱。

为什么比双重循环好？ #

双重循环是在Python层面逐单元格遍历，而这两种方法都是利用Pandas/NumPy的矢量化操作，底层用C语言实现循环，性能差距会随着数据量增大而急剧拉开——比如处理10万行的DataFrame，矢量化方法的速度可能是双重循环的100倍以上。

内容的提问来源于stack exchange，提问作者Dnaiel