本文介绍使用 pandas 实现多行顺序匹配（a→b→c→d）后，再在目标行及其上下邻行中查找 value_1 和 value_2 的完整教程，修正原始循环逻辑缺陷，提升鲁棒性与可读性。
本文介绍使用 pandas 实现多行顺序匹配（a→b→c→d）后，再在目标行及其上下邻行中查找 value_1 和 value_2 的完整教程，修正原始循环逻辑缺陷，提升鲁棒性与可读性。
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 a 出现在第 n 行，b 紧随其后出现在第 n+1 行，c 在 n+2 行，d 在 n+3 行；匹配成功后，进一步在 a 所在行（即第 n 行）及其上下邻行（n−1, n, n+1）中查找 value_1；一旦找到 value_1，再检查 value_2 是否存在于该 value_1 所在行的上下三行范围内（即 j−1, j, j+1 行）。原始代码存在多个关键问题：未处理索引越界、isin().any() 误用于标量判断、or 逻辑嵌套混乱导致漏匹配，且 display() 非通用函数。
以下为优化后的专业实现方案：
✅ 正确逻辑流程
-
外层遍历：用
for i in range(len(df) - 3)安全遍历所有可能的起始行（确保i+3不越界）； -
四值顺序匹配：使用
in df.loc[i].values（比isin().any()更直观高效）验证a,b,c,d分别位于i,i+1,i+2,i+3行； -
定位 value_1：在
[i−1, i, i+1]三行内搜索value_1，需额外边界检查（如i−1 >= 0）； -
定位 value_2：对每个
value_1所在行j，在[j−1, j, j+1]行内搜索value_2，同样校验索引合法性； - 结果输出：推荐返回匹配的起始行索引及对应子 DataFrame，便于后续分析。
? 完整可运行代码
import pandas as pd
# 示例数据（模拟 file.csv）
data = {
'A': [4, 1, 2, 5, 6, 1, 6, 12, 5, 4, 3],
'B': [5, 4, 11, 15, 7, 9, 38, 21, 18, 7, 4],
'C': [8, 12, 13, 29, 39, 10, 20, 7, 39, 10, 15],
'D': [16, 15, 15, 35, 12, 12, 36, 28, 33, 18, 19],
'E': [5, 22, 28, 7, 14, 20, 33, 35, 35, 19, 28],
'F': [44, 21, 33, 33, 16, 26, 34, 39, 36, 28, 38]
}
df = pd.DataFrame(data, index=range(1, 12)) # 行索引从1开始，对齐示例
# 参数定义
a, b, c, d = 7, 39, 10, 38
value_1, value_2 = 5, 21
matches = [] # 存储所有匹配结果（起始行索引 + value_1/value_2 位置）
for i in range(len(df) - 3): # 确保 i+3 合法
# 检查 a,b,c,d 顺序出现
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):
# 在 [i-1, i, i+1] 行中查找 value_1（注意边界）
for j in [idx for idx in [i-1, i, i+1] if 0 <h3>⚠️ 关键注意事项</h3>
-
索引安全第一：原始代码中
df.loc[n-1]在n=0时会报错，必须用0 显式校验； -
避免
isin([x]).any()陷阱：df.loc[i].isin([x])返回布尔 Series，.any()判定是否存在True，但语义不如x in df.iloc[i].values直观，且iloc比loc更适合位置索引； -
or逻辑非问题根源：原始代码中or使用本身无误，但因嵌套过深、边界缺失和条件执行路径混乱，导致部分分支未被触发——根本在于控制流设计，而非运算符； -
性能提示：对超大数据集，可先用
df.stack().reset_index()构建值-行列映射表加速查找，但本例以清晰性优先。
该方案兼顾正确性、可维护性与教学性，适用于初学者理解 Pandas 行级逻辑匹配的核心范式。
