使用 pandas 的 `isin()` 与 `shift()` 组合，配合布尔掩码逻辑运算，可避免显式循环，一次性精准提取目标行（如匹配关键词本身及其下方指定偏移量的行）。

在数据处理中，频繁使用 for 循环遍历 DataFrame 行不仅低效，还违背 Pandas 向量化设计原则。针对“查找特定字符串所在行，并同时获取其下方 N 行”的需求（例如：找 'viper' 所在行、'cobra' 所在行，以及 'cobra' 下方第 2 行），推荐采用基于布尔索引的向量化方案——核心是将“关键词匹配”与“位置偏移”解耦为多个布尔序列，再用逻辑或（np.logical_or.reduce）合并。

以下为完整实现流程：

✅ 步骤一：定义查询规则（字典形式）

键为行偏移量（0 表示原行，2 表示向下偏移 2 行），值为该偏移下需匹配的关键词列表：

SEO Keyword Density

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。

下载

query = {
    0: ['viper', 'cobra'],  # 原行匹配 viper 或 cobra
    2: ['cobra']            # 原行匹配 cobra 后，取其下方第 2 行（即索引 +2）
}

✅ 步骤二：生成各偏移下的布尔掩码

对每组 (offset, keywords)，执行：

• df[0].isin(keywords) → 得到原始匹配布尔序列；
• .shift(offset, fill_value=False) → 将 True 向下平移 offset 行（超出范围补 False）；
• 列表推导式生成所有偏移对应的掩码。

import numpy as np

mask_parts = [
    df[0].isin(keywords).shift(offset, fill_value=False)
    for offset, keywords in query.items()
]

✅ 步骤三：合并掩码并索引筛选

使用 np.logical_or.reduce() 对所有掩码做逐元素逻辑或，得到最终布尔索引：

mask = np.logical_or.reduce(mask_parts)
result = df[mask].reset_index(drop=True)  # 可选：重置索引

✅ 输出结果完全符合预期： | 0 | 1 | |-------|----| | viper | 52 | | cobra | 11 | | e | 10 |

⚠️ 注意事项

• shift() 默认向上移动；向下偏移需传入正数（如 shift(2) 表示原 True 位置下移两行）；
• fill_value=False 确保边界外不引入意外 True；
• 若需向上偏移（如 'viper' 的上一行），使用负数：shift(-1)；
• 支持任意数量关键词与偏移组合，扩展性强（如增加 {1: ['viper']} 即可同时提取 'viper' 下一行）；
• 所有操作均为向量化，性能远优于 iterrows() 或 apply()。

此方法兼顾可读性、可维护性与执行效率，是处理“关键词+相对位置”类筛选任务的标准实践。