本文介绍如何在不显式循环的前提下，使用 isin()、shift() 和逻辑组合快速筛选dataframe中满足“关键词匹配”或“关键词+固定偏移”条件的行。
在Pandas数据处理中，频繁使用 for 循环遍历行并手动计算索引（如 df[df[0]=='viper'].index[0] + 2）不仅低效，还易出错，且难以向量化扩展。更优雅、高性能的解法是构造布尔掩码（boolean mask），通过向量化操作一次性定位所有目标行。
核心思路是：对每个查询条件（如 'viper' 在偏移量 0 处、'cobra' 在偏移量 0 或 2 处），生成一个与DataFrame等长的布尔Series；再利用 shift(k) 将匹配位置整体下移 k 行（正数向下偏移），最后用 np.logical_or.reduce() 合并所有条件。
以下为完整可复现示例：
import pandas as pd
import numpy as np
# 构造原始数据
data = {0: ['a', 'viper', 'b', 'c', 'cobra', 'd', 'e', 'f'],
1: [20, 52, 59, 67, 11, 40, 10, 60]}
df = pd.DataFrame(data)
# 定义查询规则：键为偏移量（0=原行，2=向下两行），值为待匹配关键词列表
query = {
0: ['viper', 'cobra'], # 直接匹配 viper 或 cobra 所在行
2: ['cobra'] # 匹配 cobra 所在行下方第2行（即 index+2）
}
# 逐条构建偏移后的布尔序列，并合并
mask = np.logical_or.reduce([
df[0].isin(keywords).shift(offset, fill_value=False)
for offset, keywords in query.items()
])
# 应用掩码获取结果
result = df[mask].reset_index(drop=True)
print(result)输出：
0 1 0 viper 52 1 cobra 11 2 e 10
✅ 关键要点说明：
- df[0].isin(['viper','cobra']) 返回长度为8的布尔数组：[False, True, False, False, True, False, False, False]；
- .shift(2, fill_value=False) 将其下移2位，顶部补 False，得到：[False, False, False, True, False, False, True, False]（对应原 cobra 在 index=4 → 新匹配 index=6 的 e）；
- np.logical_or.reduce() 等价于多次 | 运算，确保任一条件为 True 即被选中；
- fill_value=False 避免 shift 引入 NaN 导致布尔运算失败。
? 进阶提示：
- 支持负偏移（如 -1 表示前一行）；
- 可扩展至多关键词+多偏移组合（如 {0:['viper'], 1:['cobra'], -1:['f']}）；
- 若需保留原始索引，省略 reset_index(drop=True) 即可；
- 对超大数据集，该方法比 apply() 或循环快10–100倍，且内存友好。
掌握这种“条件→偏移→掩码→索引”的思维模式，是写出地道、高效Pandas代码的关键一步。
