如何更高效使用pandas get_loc？多列DataFrame查找值返回行索引

嘿，我完全懂这种用一堆try-except堆代码的痛苦！在多列唯一值的DataFrame里找某个值的行索引，确实有比反复写try-except高效得多的办法，给你分享几个实用方案：

方法1：用stack()扁平化DataFrame（最简洁的Pandas原生方案） #

把多列DataFrame扁平化后，直接筛选目标值就能拿到对应的行索引，因为所有值唯一，结果不会有重复：

先构造示例DataFrame：

import pandas as pd

df = pd.DataFrame({
    'A': [10, 20, 30],
    'B': [40, 50, 60],
    'C': [70, 80, 90]
})
target = 50  # 要找的目标值

核心代码：

# 扁平化后筛选目标值，提取行索引
matched = df.stack()[df.stack() == target]
result_idx = matched.index.get_level_values(0)[0]
print(result_idx)  # 输出：1

stack()会把每一列转成层次化索引的下层，此时每个元素的索引格式是(行索引, 列名)，我们只需要提取第一层的行索引即可。

方法2：用np.where直接定位坐标（性能最优） #

借助NumPy的向量化操作，能快速定位到目标值的位置，效率比循环/try-except高很多：

import numpy as np

# 获取目标值所在的行、列坐标
row_pos, col_pos = np.where(df == target)
# 从DataFrame的索引中取出对应的行索引
result_idx = df.index[row_pos[0]]
print(result_idx)  # 输出：1

np.where返回满足条件的所有行和列的数组，因为值唯一，所以数组里只有一个元素，直接取出来对应到DataFrame的索引就行。

方法3：用生成器+get_loc（简洁的循环替代方案） #

如果不想依赖NumPy，也可以用生成器表达式替代一堆try-except，逻辑更清晰：

# 遍历列，找到包含目标值的列后获取行索引，找不到返回None
result_idx = next(
    (df[col].get_loc(target) for col in df.columns if target in df[col].values),
    None
)
print(result_idx)  # 输出：1

这里用next()取第一个匹配的结果（因为值唯一），提前判断目标值是否在列中，避免触发KeyError，比逐个写try-except清爽太多。

总结 #

前两种方法都是向量化操作，处理大数据量时性能碾压循环/try-except；第三种适合纯Pandas场景，代码更紧凑。根据你的需求选就行～

内容的提问来源于stack exchange，提问作者F.D