如何基于现有Series与DataFrame实现Pandas查找生成新Series？

嘿，这个需求其实很好实现，核心就是利用pandas的索引对齐特性，或者专门的查找方法来匹配行和列。先给你把完整的代码和思路理清楚：

1. 先还原你的数据（方便复现） #

首先我们先把你给出的Series S 和DataFrame df 用代码构造出来，确保环境一致：

import pandas as pd

# 构造Series S
index = pd.MultiIndex.from_tuples(
    [
        ('andrew', 'alexander', 'baseline'),
        ('andrew', 'alexander', 'followup'),
        ('bruce', 'alexander', 'baseline'),
        ('bruce', 'alexander', 'followup'),
        ('fuzzy', 'dunlop', 'baseline'),
        ('fuzzy', 'dunlop', 'followup'),
    ],
    names=['first', 'last', 'visit']
)
S = pd.Series(
    ['abc', 'abc', 'abc', 'xyz', 'xyz', 'abc'],
    index=index,
    name='attr'
)

# 构造DataFrame df
df = pd.DataFrame(
    [[1,7], [2,8], [3,9], [4,10], [5,11], [6,12]],
    index=index,
    columns=['abc', 'xyz']
)

2. 生成目标Series S2的两种方法 #

方法一：使用df.lookup（简单直接） #

lookup方法就是专门用来根据行索引和列标签的对应关系提取值的，刚好符合我们的场景：

• 行索引直接用S的索引（和df的索引完全匹配）
• 列标签用S的每个值（也就是我们要取的列名）

代码如下：

# 生成S2
S2 = pd.Series(df.lookup(S.index, S.values), index=S.index, name='result')

运行后S2的结果就是：

first   last      visit   
andrew  alexander  baseline     1
                   followup     2
bruce   alexander  baseline     3
                   followup    10
fuzzy   dunlop     baseline    11
                   followup     6
Name: result, dtype: int64

方法二：用stack+索引匹配（更现代，避免deprecated警告） #

注意：lookup在pandas的新版本中被标记为deprecated，如果想避免警告，可以用stack把列转成索引的一部分，然后通过组合索引来取值：

# 把df的列转成索引层级，得到一个4级索引的Series
stacked_df = df.stack()

# 构造一个包含原索引+S值的4级索引，用来匹配stacked_df
lookup_index = pd.MultiIndex.from_tuples(
    [(*idx, val) for idx, val in zip(S.index, S.values)],
    names=['first', 'last', 'visit', 'attr']
)

# 提取对应值后，去掉多余的attr索引层级
S2 = stacked_df.loc[lookup_index].reset_index(level=3, drop=True)

这个方法得到的S2和方法一完全一致，而且更符合pandas的现代索引操作逻辑。

内容的提问来源于stack exchange，提问作者ajwood