本文介绍如何在保持原始 DataFrame 索引不变的前提下，为满足布尔掩码条件（如 a > b）的首个匹配行，赋值其在 reset_index() 后的整数位置（即从 0 开始的行号），并填充至新列 c。
本文介绍如何在保持原始 dataframe 索引不变的前提下，为满足布尔掩码条件（如 `a > b`）的**首个匹配行**，赋值其在 `reset_index()` 后的整数位置（即从 0 开始的行号），并填充至新列 `c`。
在 Pandas 中，原始索引（如本例中的 100, 101, ..., 106）与行的物理顺序（即位置索引，position-based index）是两个不同概念。当我们说“reset_index() 后的值”，实际指的是该行在 DataFrame 中的位置序号（iloc position），即从 0 开始计数的整数下标（例如第 4 行对应位置索引 3）。因此，目标不是获取原始索引值（如 103），而是它在数据顺序中的线性位置编号。
最直接、高效且可读性强的实现方式是利用 df.index.get_loc(label) 获取指定行标签（row.name）在当前索引中的整数位置。配合 .apply(axis=1) 遍历每行，并结合条件判断，即可精准赋值：
import pandas as pd
import numpy as np
df = pd.DataFrame(
{
'a': [100, 1123, 123, 100, 1, 0, 1],
'b': [1000, 11123, 1123, 0, 55, 0, 1],
},
index=range(100, 107)
)
# 创建新列 c：仅当 a > b 时填入该行的位置序号（0-based），否则为 NaN
df['c'] = df.apply(
lambda row: df.index.get_loc(row.name) if row.a > row.b else np.nan,
axis=1
)
print(df)
输出结果如下：
a b c 100 100 1000 NaN 101 1123 11123 NaN 102 123 1123 NaN 103 100 0 3.0 104 1 55 NaN 105 0 0 NaN 106 1 1 NaN
✅ 关键说明：
- row.name 是当前行的原始索引标签（如 103）；
- df.index.get_loc(row.name) 返回该标签在 df.index 中的整数位置（即 103 是索引中第 3 个元素 → 返回 3）；
- 此方法天然兼容任意索引类型（数值、字符串、日期等），无需依赖 reset_index() 操作，避免冗余计算和索引重排风险；
- 若需仅对首个满足条件的行赋值（其余全为 NaN），可改用更高效的向量化写法：
mask = df['a'] > df['b'] first_pos = mask.idxmax() if mask.any() else None df['c'] = np.where(df.index == first_pos, df.index.get_loc(first_pos), np.nan)
该写法避免逐行 apply，在大数据集上性能更优，且语义更清晰：先定位首个 True 的索引标签，再查其位置并赋值。
⚠️ 注意事项：
- mask.idxmax() 要求 mask 至少有一个 True，否则会报错，因此需配合 mask.any() 判断；
- df.index.get_loc() 在索引含重复值时可能引发 KeyError，若存在重复索引，请先确保索引唯一或改用 np.flatnonzero(mask)[0] 获取首个 True 的位置索引（返回整数位置而非标签）；
- 始终优先考虑向量化操作（如 np.where, mask.idxmax）而非 apply，以保障性能与可维护性。
