本文介绍两种高效方法：使用 `~df[col].eq(val).cummax()` 布尔索引，或（当确定目标值存在时）用 `df.iloc[:np.argmax(df[col].eq(val))]` 截取切片，精准提取目标值首次出现前的全部数据。
在 pandas 数据分析中，常需根据某一列中特定值的首次出现位置，对 DataFrame 进行逻辑截断。例如，给定如下数据：
import pandas as pd df = pd.DataFrame({ 'Year': [1997, 1998, 1999, 2000, 2001], 'ID': [1, 2, 3, 4, 5], 'count': [0, 0, 1, 0, 1] })若希望仅保留 Count 列中首次出现 1 之前（不含该行）的所有行，预期结果为：
Year ID Count 0 1997 1 0 1 1998 2 0✅ 推荐方法：~df[col].eq(val).cummax()
这是最健壮、可读性高且能处理边界情况（如目标值不存在）的标准解法：
out = df[~df['Count'].eq(1).cummax()]原理分步解析：
- df[‘Count’].eq(1) → 生成布尔序列 [False, False, True, False, True]
- .cummax() → 累积最大值（布尔下即“首次 True 后全为 True”）→ [False, False, True, True, True]
- ~… → 取反 → [True, True, False, False, False]
- 布尔索引筛选 → 仅保留前两行。
✅ 优势：
- 安全：若 Count 中无 1，cummax() 全为 False，取反后全为 True，即返回全部行（符合语义：“未出现则保留所有”）；
- 向量化、无需循环，性能优异；
- 一行表达，简洁清晰。
⚠️ 备选方法：iloc[:np.argmax(…)]（仅限确定目标值存在）
若业务逻辑确保 1 必然存在，可使用更轻量的切片方式：
import numpy as np out = df.iloc[:np.argmax(df['Count'].eq(1))]⚠️ 注意：np.argmax 在找不到 True 时返回 0，此时 df.iloc[:0] 将返回空 DataFrame —— 这与业务预期不符（应返回全部行）。因此该方法必须配合存在性校验，例如：
mask = df['Count'].eq(1) if mask.any(): out = df.iloc[:np.argmax(mask)] else: out = df.copy() # 或按需处理? 总结建议
| 场景 | 推荐方案 | 说明 |
|---|---|---|
| 通用、健壮、推荐默认使用 | df[~df[col].eq(val).cummax()] | 无需额外判断，语义明确，性能好 |
| 极致性能且已严格校验 val 存在 | df.iloc[:np.argmax(df[col].eq(val))] | 需自行保障 val 至少出现一次，否则逻辑错误 |
无论采用哪种方式，都应避免使用 for 循环或 idxmax() 后手动切片（如 df.loc[:idx-1]），因其在 idx 为 NaN 时易报错，且可读性与鲁棒性较差。