本文介绍如何在不显式循环的前提下，使用 isin()、shift() 和布尔逻辑组合，精准选取 dataframe 中匹配关键词的行及其指定偏移量（如 +2 行）的记录，适用于多关键词、多偏移规则的批量筛选场景。
在 Pandas 数据处理中，直接用 for 循环遍历行并手动计算索引（如 df[df[0]=='cobra'].index[0] + 2）不仅低效、易出错，还违背向量化原则。更优解是利用布尔索引与时间序列/位移操作思想——将“查找某值”转化为布尔 Series，再通过 shift() 将其整体平移，从而自然表达“某值所在行的下 N 行”。
核心思路如下：
- 对每个查询规则（如 'viper' 在原位置、'cobra' 在 +2 行），生成一个布尔 Series；
- 使用 df[0].isin(values) 标记所有匹配关键词的行；
- 调用 .shift(k, fill_value=False) 将该布尔序列向上（负 k）或向下（正 k）移动 k 行（k=2 表示“匹配行下方第 2 行”）；
- 用 np.logical_or.reduce() 合并所有偏移后的布尔序列，得到最终筛选掩码；
- 一次性完成布尔索引：df[mask]。
以下为完整可运行示例：
import pandas as pd
import numpy as np
# 构造原始数据
data = {0: ['a', 'viper', 'b', 'c', 'cobra', 'd', 'e', 'f'],
1: [20, 52, 59, 67, 11, 40, 10, 60]}
df = pd.DataFrame(data)
# 定义查询规则：{偏移量: [关键词列表]}
query = {
0: ['viper', 'cobra'], # 原位置匹配
2: ['cobra'] # 匹配行下方第 2 行（即 cobra 行索引 + 2）
}
# 构建复合布尔掩码
mask = np.logical_or.reduce([
df[0].isin(values).shift(offset, fill_value=False)
for offset, values in query.items()
])
# 应用筛选
result = df[mask].reset_index(drop=True)
print(result)输出：
SEO Keyword Density
下载
SEO关键词密度优化与页面审计技能。使用场景：①提供页面路径与关键词进行SEO优化；②提升页面关键词密度；③提升搜索引擎排名；④进行SEO审计（meta标签、OG、hreflang等）。触发词：关键词密度、SEO优化、关键词优化等。
0 1 0 viper 52 1 cobra 11 2 e 10
✅ 关键优势：
- 完全向量化：无 Python 循环，性能随数据量增长仍稳定；
- 灵活扩展：新增规则只需在 query 字典中添加 {offset: [words]}；
- 安全鲁棒：fill_value=False 确保越界位置不产生 NaN 干扰逻辑运算；
- 可读性强：语义贴近自然语言描述（如“cobra+2”直接对应 shift(2)）。
⚠️ 注意事项：
- shift() 默认向下移动（即 shift(2) 将 True 值从索引 i 移至 i+2），符合“目标行在匹配行下方”的直觉；若需上方行，使用负偏移（如 shift(-1) 表示上一行）；
- 多个关键词共用同一偏移量时，isin() 自动支持列表，无需分别构造；
- 若存在重复关键词（如多个 'cobra'），每处都会触发对应偏移行的选取，符合预期行为。
综上，该方法将“基于内容定位 + 相对行偏移”的需求，优雅地转化为 Pandas 原生的布尔序列操作，是替代手动索引迭代的标准实践。
