随着我对numpy和pandas生态系统越来越熟悉，我越来越清楚地认识到，迭代通常是“完全错误的”，因为相比之下它是多么的慢，并且尽可能地使用矢量化操作是最好的。虽然一开始的风格不是那么明显/Pythonic，但我已经（有趣地）获得了 * 荒谬的 * 矢量化操作加速;在交换出表单的情况下，比如一些行迭代.apply(lambda)，超过1000 x
@MSeifert's answer更好地提供了这一点，并且在任何真实的大小的数据集上的性能都将显著提高
More general Answer by @cs95 covering and comparing alternatives to iteration in Pandas

原始应答

您可以使用numpy.ndenumerate遍历数组中的值，以获取数组中值的索引。
使用上面的文档：

A = np.array([[1,2,3],[4,5,6],[7,8,9]])
for index, values in np.ndenumerate(A):
    print(index, values)  # operate here

你可以使用np.ndenumerate来实现，但通常你不需要迭代数组。
您可以简单地创建一个meshgrid（或开放网格）来一次获取所有索引，然后可以更快地处理它们（矢量化）。
比如说，

>>> x, y = np.mgrid[slice(A.shape[0]), slice(A.shape[1])]
>>> x
array([[0, 0, 0],
       [1, 1, 1],
       [2, 2, 2]])
>>> y
array([[0, 1, 2],
       [0, 1, 2],
       [0, 1, 2]])

并且这些可以像任何其它阵列一样被处理。因此，如果你的函数需要索引，可以向量化，你不应该做手动循环！
例如，计算每个点到一个点的晶格距离，比如(2, 3)：

>>> abs(x - 2) + abs(y - 3)
array([[5, 4, 3],
       [4, 3, 2],
       [3, 2, 1]])

对于距离，ogrid会更快。将np.mgrid替换为np.ogrid：

>>> x, y = np.ogrid[slice(A.shape[0]), slice(A.shape[1])]
>>> np.hypot(x - 2, y - 3)  # cartesian distance this time! :-)
array([[ 3.60555128,  2.82842712,  2.23606798],
       [ 3.16227766,  2.23606798,  1.41421356],
       [ 3.        ,  2.        ,  1.        ]])

另一种可能的解决方案：

import numpy as np

A = np.array([[1,2,3],[4,5,6],[7,8,9]])
for _, val in np.ndenumerate(A):
    ind = np.argwhere(A == val)
    print(val, ind)

在这种情况下，如果value在数组中出现不止一次，则将获得索引数组。