本文介绍使用 pandas 对 dataframe 进行基于「行索引值 + 列名」组合的批量查找，适用于根据两个列表（如年龄和年份）快速提取对应单元格值的典型场景，核心方法是 `melt()` 与 `merge()` 配合，简洁、向量化、无需循环。
在实际数据分析中，我们常遇到类似需求：给定一个结构化表格（如不同年龄段在各年份的指标值），再提供一组「行标识（如 Age）」和「列标识（如年份）」的配对列表，需要一次性、高效地查出所有对应单元格的值，并返回一维结果（如长度为 4 的 Series 或 list）。直接使用 .loc 或 .at 逐个索引不仅低效，还容易因索引类型不匹配（如将整数列名误作位置索引）而报错；而设置 MultiIndex 又可能过度复杂化原始结构。
最推荐、最健壮的解决方案是利用 Pandas 的 melt() + merge() 范式：
- melt() 将宽表转为长表：把年份列（2000/2010/2020）“折叠”为变量（variable）和值（value）两列，同时保留 Age 作为标识；
- 构造查询键表：用输入的 a（行值）和 b（列名）生成一个待查 DataFrame；
- merge() 精准关联：通过 Age 和 variable 两字段左连接，天然实现批量查找，结果自动对齐且保持原始顺序。
以下是完整可运行示例：
import pandas as pd
# 构建原始数据
df = pd.DataFrame({
'Age': [20, 21, 22],
2000: [0.5, 0.4, 0.3],
2010: [0.6, 0.4, 0.2],
2020: [0.7, 0.8, 0.5]
})
# 查询条件：a 为行值（Age），b 为列名（年份）
a = [20, 20, 21, 22]
b = [2000, 2010, 2010, 2020]
# 步骤 1：将原表熔解为长格式
df_long = df.melt(id_vars='Age', var_name='variable', value_name='value')
# 输出示意：
# Age variable value
# 0 20 2000 0.5
# 1 21 2000 0.4
# 2 22 2000 0.3
# 3 20 2010 0.6
# ...（共 12 行）
# 步骤 2：构建查询键表
query_df = pd.DataFrame({'Age': a, 'variable': b})
# 步骤 3：合并获取结果（左连接确保顺序与 query_df 一致）
result = query_df.merge(df_long, on=['Age', 'variable'], how='left')
# 提取目标值（Series 或 list）
values_series = result['value'] # 返回 pd.Series([0.5, 0.6, 0.4, 0.5])
values_list = result['value'].tolist() # 返回 [0.5, 0.6, 0.4, 0.5]
print(values_list) # [0.5, 0.6, 0.4, 0.5]✅ 优势总结：
- 零循环、全向量化：避免 for 循环或 apply()，性能优异；
- 类型安全：melt() 明确将列名转为 variable 字段，规避 .loc[a, b] 中 b 被误解析为位置索引的风险；
- 顺序保持：merge 结果严格按 query_df 行序排列，无需额外排序；
- 容错友好：若某 (Age, year) 组合不存在，merge 默认填充 NaN，便于后续检查（可通过 how='inner' 改为严格匹配）。
⚠️ 注意事项：
- 确保 a 中的值与 df['Age'] 列的数据类型一致（如均为 int，而非 str）；
- 列名（如 2000, 2010）在 melt() 后成为 variable 列的值，因此 b 必须与之完全一致（包括类型）；
- 若原始 DataFrame 的索引非默认 RangeIndex，请先 reset_index(drop=True) 或确保 id_vars 准确指定标识列，避免歧义。
该方法兼顾清晰性、鲁棒性与扩展性，是 Pandas 批量二维查找的工业级实践范式。
