如何遍历Pandas DataFrame的条目？含多索引DataFrame示例

嘿，针对你给出的这个多索引DataFrame，我整理了几个实用的遍历每个元素的方法，结合示例来一步步说，方便你上手：

首先先把你的示例代码放出来，确保大家能复现这个DataFrame：

import pandas as pd
import numpy as np

iterables = [['foo', 'bar'], ['one', 'two']]
idx = pd.MultiIndex.from_product(iterables, names=['first', 'second'])
df = pd.DataFrame(np.random.randn(4, 2), index=idx, columns=('metric1', 'metric2'))

方法1：用stack()转成Series后遍历（最省心的方式） #

把DataFrame堆叠成一个带三层索引的Series，这样每个元素的多索引+列名都被整合到一起，遍历的时候直接就能拿到所有信息：

stacked_series = df.stack()
for (first, second, metric), value in stacked_series.items():
    print(f"索引：first={first}, second={second}, 指标={metric}，值：{value:.6f}")

这种方法完全不用自己拆分索引，输出的信息完整又清晰，我个人平时用得最多～

方法2：用iterrows()先遍历行，再遍历元素 #

iterrows()会返回每行的多索引元组和整行数据，拿到行之后再遍历行里的每个指标值：

for (first, second), row in df.iterrows():
    for metric, value in row.items():
        print(f"索引：first={first}, second={second}, 指标={metric}，值：{value:.6f}")

这个方法适合需要先对整行做一些预处理，再细化到每个元素的场景，逻辑上更贴合“先行后列”的思路。

方法3：用itertuples()（大数据量首选） #

如果你的DataFrame数据量很大，那itertuples()会比iterrows()高效不少，它返回的是命名元组，我们可以直接提取多索引和各列的值：

for row_tuple in df.itertuples():
    # row_tuple.Index就是多索引的元组，后面跟着各列的数值
    first, second = row_tuple.Index
    print(f"first={first}, second={second}, metric1={row_tuple.metric1:.6f}, metric2={row_tuple.metric2:.6f}")

不过这个方法需要你提前知道列名，适合列固定不变的场景，速度优势在数据量上去之后会特别明显。

方法4：用applymap()隐式遍历（无显式循环） #

如果你不想写显眼的for循环，可以用applymap()给每个元素绑定一个自定义函数，比如用来打印元素信息：

def process_element(value):
    # 通过stack后的Series找到当前元素的完整索引
    full_idx = df.stack()[df.stack() == value].index[0]
    print(f"索引：first={full_idx[0]}, second={full_idx[1]}, 指标={full_idx[2]}，值：{value:.6f}")

df.applymap(process_element)

注意哦，这个方法如果DataFrame里有重复值会出错，更适合处理值唯一的场景，或者你只需要处理元素本身的情况。

其实大多数遍历方法的核心都是如何获取元素对应的完整索引信息，你可以根据自己的需求——比如要不要索引、数据量大小、代码简洁性——来选最合适的方法～

内容的提问来源于stack exchange，提问作者Neil Traft