本文介绍使用 pandas 实现多行顺序匹配（a→b→c→d 连续四行出现）后，进一步在目标行及其上下邻行中定位 value_1 和 value_2 的完整教程，包含逻辑修正、边界处理与性能优化建议。
本文介绍使用 pandas 实现多行顺序匹配（a→b→c→d 连续四行出现）后，进一步在目标行及其上下邻行中定位 value_1 和 value_2 的完整教程，包含逻辑修正、边界处理与性能优化建议。
在数据分析中，常需识别具有时空或逻辑顺序的跨行模式——例如“某值出现在第 n 行，其后三行依次出现指定值”，再基于该锚点行，在其附近（上/本/下行）搜索关联特征。原始代码存在多个关键问题：isin().any 误用于标量判断、索引越界（如 n-1 在首行触发错误）、嵌套 if 层级过深导致逻辑断裂，且 or 本身无误，但条件组合未覆盖所有有效位置组合。
以下为重构后的健壮实现方案：
✅ 正确逻辑流程
-
滑动窗口匹配 a-b-c-d 序列：遍历所有可能起始行
i，确保i+3 ，依次检查 <code>df.iloc[i]含a、df.iloc[i+1]含b…… -
定位 value_1 的有效行范围：在
[i-1, i, i+1]三行中搜索value_1（注意：i=0时i-1无效，需显式过滤） -
扩展搜索 value_2：对每个找到
value_1的行j，在其邻近三行[j-1, j, j+1]中检查value_2 -
安全索引访问：全程使用
df.iloc（位置索引）替代df.loc（标签索引），避免标签不连续导致的意外行为
✅ 优化后的完整代码
import pandas as pd
df = pd.read_csv("file.csv") # 确保 CSV 列名正确，无多余空格
# 定义目标值
a, b, c, d = 7, 39, 10, 38
value_1, value_2 = 5, 21
matches = [] # 存储匹配结果行索引
# 步骤1：查找 a-b-c-d 连续四行模式
for i in range(len(df) - 3): # i 最大为 len(df)-4，保证 i+3 合法
if (a in df.iloc[i].values and
b in df.iloc[i+1].values and
c in df.iloc[i+2].values and
d in df.iloc[i+3].values):
# 步骤2：在 [i-1, i, i+1] 中找 value_1（需检查索引有效性）
candidate_rows_for_v1 = [j for j in [i-1, i, i+1] if 0 <h3>⚠️ 关键注意事项</h3>
-
边界安全第一：所有邻行访问（
i-1,j-1,k-1）必须通过0 校验，否则抛出 <code>IndexError -
.valuesvs.unique()：in df.iloc[i].values比in df.iloc[i].unique()更高效（后者需去重计算），且语义更准确（关注是否存在，而非唯一值集合） -
避免
display()依赖：display()是 Jupyter 特有函数，生产环境应改用print()或返回 DataFrame -
性能提示：对大数据集，可先用
df.apply(lambda row: row.isin([a]).any(), axis=1)预生成布尔掩码，再用np.where加速定位，但本例中直接遍历已足够清晰
? 扩展建议
若需匹配任意顺序（非严格上下行）或支持模糊匹配（如数值区间），可将 in 替换为 np.any(np.isclose(...))；若模式长度可变，建议封装为函数并接受 pattern=[a,b,c,d] 和 window_size=4 参数，提升复用性。
通过以上结构化实现，您不仅能精准捕获跨行关联模式，还能确保代码鲁棒、可读、易维护——这是从脚本思维迈向工程化数据分析的关键一步。
