本文介绍如何在保持原始 DataFrame 索引不变的前提下，为每行计算其在重置索引后的位置编号（即 0-based 行号），并仅在首次满足布尔掩码条件（如 a > b）的行中填入该编号，其余行填充 NaN。
本文介绍如何在保持原始 dataframe 索引不变的前提下，为每行计算其在**重置索引后的位置编号（即 0-based 行号）**，并仅在首次满足布尔掩码条件（如 `a > b`）的行中填入该编号，其余行填充 `nan`。
在 Pandas 数据分析中，常需定位满足特定条件的第一个逻辑位置（即按数据自然顺序出现的第一个匹配行），但又需保留原始索引（如本例中的 100–106）。此时，“第一个满足条件的行”在重置索引视角下对应位置 3（即第 4 行，0-based 计数），而非原始索引值 103。
关键在于区分两个概念：
- 原始索引（row.name）：DataFrame 的 index 值（如 103）；
- 重置索引序号（position index）：等价于 df.reset_index(drop=True).index，即从 0 开始的整数位置。
最直接、高效且可读性强的解法是利用 df.index.get_loc(row.name) —— 它返回指定标签在当前索引中的整数位置（即该行在原 df 中的“顺序号”，与 reset_index() 后的行号完全一致）：
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)
)
# 构建条件掩码：a > b
mask = df['a'] > df['b']
# 创建列 'c'：仅在首次满足 mask 的行填入其重置索引序号，其余为 NaN
df['c'] = np.where(
mask & (mask.cumsum() == 1), # 首次为 True 的位置（cumsum 从 1 开始计数）
np.arange(len(df))[mask].min(), # 获取首个 True 对应的整数位置（更推荐用 get_loc）
np.nan
)
# ✅ 推荐写法（语义清晰、兼容任意索引类型）
df['c'] = df.apply(
lambda row: df.index.get_loc(row.name) if row.a > row.b else np.nan,
axis=1
)
⚠️ 注意事项：
- df.index.get_loc(row.name) 是通用安全方案，适用于任意索引类型（整数、字符串、DatetimeIndex 等）；
- 若使用 df.reset_index().index 或 range(len(df)) 手动映射，需确保索引无重复或缺失，否则可能出错；
- mask.cumsum().eq(1) & mask 可精准定位首个匹配行，但仅返回布尔 Series，需配合 .idxmax() 或 .argmax() 提取位置 —— 而 get_loc() 直接给出所需数值，更直观；
- apply(..., axis=1) 在大数据集上性能略低，若追求极致效率，可用向量化方式：
first_pos = np.argmax(mask.values) if mask.any() else -1 df['c'] = np.where(np.arange(len(df)) == first_pos, first_pos, np.nan)
最终结果严格符合预期：仅索引 103（原始索引）所在行的 'c' 列值为 3.0（即其在重置索引序列中的位置），其余均为 NaN。该方法兼顾准确性、可读性与工程鲁棒性，是 Pandas 条件索引定位的标准实践之一。
