.iloc用于基于整数的索引，.loc用于基于标签的索引。请参阅以下示例：

ind_list = [1, 3]
df.iloc[ind_list]

您还可以使用iloc：

df.iloc[[1,3],:]

如果由于之前的计算， Dataframe 中的索引与行的顺序不对应，则此方法将不起作用。在这种情况下，请用途：

df.index.isin([1,3])

......正如其他答复中所建议的那样。

另一种方法（虽然是较长的代码）但比上面的代码要快.用%timeit函数检查一下：

df[df.index.isin([1,3])]

PS：你弄清楚原因

如果index_list包含所需的索引，则可以通过执行以下操作来获取包含所需行的 Dataframe

index_list = [1,2,3,4,5,6]
df.loc[df.index[index_list]]

这是基于截至2021年3月的最新文档。

对于大型数据集，通过skiprows参数只读取选定的行可以节省内存。

示例

pred = lambda x: x not in [1, 3]
pd.read_csv("data.csv", skiprows=pred, index_col=0, names=...)

现在，这将从文件中返回一个DataFrame，该文件将跳过除1和3之外的所有行。

详细数据

从docs：
skiprows：列表类、整型或可调用，默认值为None
...
如果是可调用的，则将根据行索引对可调用函数求值，如果应跳过该行，则返回True，否则返回False。lambda x: x in [0, 2]是一个有效的可调用参数示例
这个功能在panda0.20.0+版本中有效。另请参见corresponding issue和相关帖子。

解决这个问题的方法有很多，上面列出的是最常用的解决方法。我想再增加两种方法，以防有人在寻找替代方法。

index_list = [1,3]

df.take(pos)

#or

df.query('index in @index_list')

你要做的是通过索引过滤 Dataframe ，目前在Pandas中最好的方法是：

单一索引

desired_index_list = [1,3]
df[df.index.isin(desired_index_list)]

多重索引

desired_index_list = [1,3]
index_level_to_filter = 0
df[df.index.get_level_values(index_level_to_filter).isin(desired_index_list)]

若要从筛选的索引取得新的DataFrame：

对于我的问题，我需要从索引中创建一个新的 Dataframe 。我找到了一个直接的方法来实现这一点：

iloc_list=[1,2,4,8]
df_new = df.filter(items = iloc_list , axis=0)

您也可以使用这个来筛选数据行。请参阅documentation以取得详细信息。