首先，你的“混乱的方式”是可以的，在数据框架中使用索引没有什么错，而且不会太慢。iterrows（）本身并不是特别快。
你的第一个想法的一个版本是：

row_iterator = df.iterrows()
_, last = row_iterator.next()  # take first item from row_iterator
for i, row in row_iterator:
    print(row['value'])
    print(last['value'])
    last = row

第二种方法可以做类似的事情，将一个索引保存到数据框架中：

last = df.irow(0)
for i in range(1, df.shape[0]):
    print(last)
    print(df.irow(i))
    last = df.irow(i)

当速度是关键的时候，你可以尝试这两种方法并计时代码。

itertools文档中有一个pairwise()函数示例：

from itertools import tee, izip
def pairwise(iterable):
    "s -> (s0,s1), (s1,s2), (s2, s3), ..."
    a, b = tee(iterable)
    next(b, None)
    return izip(a, b)

import pandas as pd
df = pd.DataFrame(['AA', 'BB', 'CC'], columns = ['value'])

for (i1, row1), (i2, row2) in pairwise(df.iterrows()):
    print i1, i2, row1["value"], row2["value"]

下面是输出：

0 1 AA BB
1 2 BB CC

但是，我认为iter行在一个DataFrame是缓慢的，如果你能解释你想解决的问题，也许我可以建议一些更好的方法。

我将使用shift（）函数如下：

df['value_1'] = df.value.shift(-1)
[print(x) for x in df.T.unstack().dropna(how = 'any').values];

它产生

AA
BB
BB
CC
CC

这就是上面代码的工作方式：
步骤1）使用移位功能

df['value_1'] = df.value.shift(-1)
print(df)

产生

value value_1
0    AA      BB
1    BB      CC
2    CC     NaN

步骤2）转置：

df = df.T
print(df)

生产：

0   1    2
value    AA  BB   CC
value_1  BB  CC  NaN

步骤3）拆堆：

df = df.unstack()
print(df)

生产：

0  value       AA
   value_1     BB
1  value       BB
   value_1     CC
2  value       CC
   value_1    NaN
dtype: object

步骤4）丢弃NaN值

df = df.dropna(how = 'any')
print(df)

生产：

0  value      AA
   value_1    BB
1  value      BB
   value_1    CC
2  value      CC
dtype: object

步骤5）返回DataFrame的Numpy表示，并按值打印值：

df = df.values
[print(x) for x in df];

生产：

AA
BB
BB
CC
CC

这也可以通过izip ping dataframe（迭代器）自身的偏移版本来解决。
当然，索引错误不能以这种方式再现。
看看这个

import pandas as pd
from itertools import izip

df = pd.DataFrame(['AA', 'BB', 'CC'], columns = ['value'])   

for id1, id2 in izip(df.iterrows(),df.ix[1:].iterrows()):
    print id1[1]['value']
    print id2[1]['value']

它给出了

AA
BB
BB
CC

答案的组合给了我一个非常快的运行时间。使用shift方法来创建下一行值的新列，然后像@alisdt一样使用row_iterator函数，但这里我将它从iterrows改为itertuples，速度快了100倍。
我的脚本是用于迭代不同长度的重复 Dataframe ，并为每个重复添加一秒，以便它们都是唯一的。

# create new column with shifted values from the departure time column
df['next_column_value'] = df['column_value'].shift(1)
# create row iterator that can 'save' the next row without running for loop
row_iterator = df.itertuples()
# jump to the next row using the row iterator
last = next(row_iterator)
# because pandas does not support items alteration i need to save it as an object
t = last[your_column_num]
# run and update the time duplications with one more second each
for row in row_iterator:
    if row.column_value == row.next_column_value:
         t = t + add_sec
         df_result.at[row.Index, 'column_name'] = t
    else:
         # here i resetting the 'last' and 't' values
         last = row
         t = last[your_column_num]

希望能有帮助。