df.reset_index(drop=true)可重置过滤后dataframe索引为连续整数且不保留原索引列；漏掉drop=true会导致原索引变为名为index的新列，是常见错误。
直接结论：用 df.reset_index(drop=True) 就能重置过滤后 DataFrame 的索引为连续整数，且不保留原索引列；漏掉 drop=True 会导致原索引变成新列，这是最常踩的坑。
为什么过滤后索引会“乱序”？
因为 pd.DataFrame 的布尔索引（如 df[df['age'] > 25]）或 .query() 不会自动重排索引——它只保留符合条件行的原始位置编号。比如原索引是 [0, 1, 2, 3, 4]，过滤掉第 1 行后变成 [0, 2, 3, 4]，中间缺了 1。
这种“非连续索引”在后续用 .iloc[1] 或循环遍历时容易出错，尤其和 NumPy 数组对齐、或传给某些模型时会报 IndexError 或隐式对齐失败。
reset_index(drop=True) 怎么用才不翻车？
关键就一个参数：drop=True。不加它，默认 drop=False，会把旧索引当新列塞进 DataFrame 里，名字叫 index ——你本想清理索引，结果多了一列无关数据。
-
df = df[df['score'] >= 60].reset_index(drop=True)✅ 正确：索引变0, 1, 2...，无新增列 -
df = df[df['score'] >= 60].reset_index()❌ 错误：多了个index列，值是原来的索引号 - 如果用了
inplace=True，记得它返回None，别链式调用：df[df>0].reset_index(drop=True, inplace=True)会报错，应拆成两行
遇到 MultiIndex 或 groupby 后过滤怎么办？
普通布尔过滤后直接 reset_index(drop=True) 没问题；但如果是 groupby().filter() 或先 set_index() 再过滤，得先确认当前索引结构：
- 查索引类型：
df.index看是不是RangeIndex；如果是MultiIndex，reset_index(drop=True)仍有效，但会丢掉所有层级索引 - 如果只想重置最外层索引，保留内层，得用
reset_index(level=0, drop=True) -
groupby().apply(...).reset_index(drop=True)是常见组合，但注意apply返回若带索引，可能需先drop=True再 reset
真正容易被忽略的是：重置索引不是“纯装饰”，它会影响 .loc 查找（因标签变了）、也影响 pd.concat() 时的默认对齐行为——所以别只在最后导出前补一句 reset_index，该重置的地方就得重置，否则上游逻辑可能静默出错。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
