本文介绍在 pandas 中对结构化表格数据进行批量“行列联合查找”的标准方法：给定一组行键（如年龄）和列名（如年份），快速提取对应单元格值，返回一维结果数组，避免低效循环或冗余矩阵运算。
在实际数据分析中，常遇到类似场景：一个以某列为索引、其余列为时间/类别维度的宽表（如按年龄分组的历年指标），需根据多个「行标识 + 列标识」组合，批量提取对应数值。例如，查询 [20,20,21,22] 年龄分别在 [2000,2010,2010,2020] 年份下的指标值——目标是获得长度为 4 的纯数值列表，而非全量子矩阵。
直接使用 .loc 或 .at 会因广播机制返回 4×4 矩阵（如 df.loc[a, b]），而设置 MultiIndex 又需将列名转为行索引，违背原始宽表语义。最优解是利用 melt + merge 的范式转换思路：将宽表“融化”为长格式（每行唯一标识 Age + variable + value），再与查询条件表精准左连接。
以下为完整可运行示例：
import pandas as pd
# 构建原始宽表 DataFrame
data = {
'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]
}
df = pd.DataFrame(data).set_index('Age') # 推荐设 Age 为索引，提升后续操作语义清晰度
# 查询条件：行键列表 a 和列名列表 b
a = [20, 20, 21, 22]
b = [2000, 2010, 2010, 2020]
# 步骤1：构建查询条件 DataFrame
queries = pd.DataFrame({'Age': a, 'year': b})
# 步骤2：将原宽表熔化为长格式（保留 Age 为标识列，其余年份列转为 variable/value 对）
long_df = df.reset_index().melt(id_vars='Age', var_name='year', value_name='value')
# 步骤3：按 Age 和 year 进行左连接，精准匹配每一组查询
result = queries.merge(long_df, on=['Age', 'year'], how='left')
# 提取结果为 list 或 Series
values_list = result['value'].tolist() # → [0.5, 0.6, 0.4, 0.5]
values_series = result['value'] # pandas Series 形式✅ 关键优势：
- 向量化高效：全程基于 Pandas 内置操作，无 Python 循环；
- 语义明确：melt 显式表达“列→行”的维度转换逻辑，merge 体现关系型匹配思想；
- 鲁棒性强：自动处理缺失组合（未匹配项返回 NaN），便于后续校验；
- 灵活扩展：支持任意数量的行列组合，且 year 列可为字符串、整数或日期类型。
⚠️ 注意事项：
- 若原始 DataFrame 的列名含非标准字符（如空格、特殊符号），melt 后 var_name 需确保与查询条件列名完全一致；
- 当 a 或 b 中存在原表中不存在的值时，merge 默认填充 NaN，建议通过 result['value'].isna().any() 检查完整性；
- 如追求极致性能且查询规模极大（>10⁵ 组合），可预构建 pd.MultiIndex.from_frame(long_df[['Age','year']]) 并用 long_df.set_index(['Age','year']).reindex(queries) 替代 merge，但可读性略降。
该方法已成为 Pandas 社区推荐的“宽表批量点查”标准实践，兼顾简洁性、可维护性与执行效率。
