Use idxmax para encontrar la primera instancia del valor máximo. En este caso, True es el valor máximo.

 df['Force'].lt(event).idxmax()

Considere la muestra df :

 df = pd.DataFrame(dict(Force=[5, 4, 3, 2, 1]), list('abcde')) df Force a 5 b 4 c 3 d 2 e 1

La primera instancia de Force menor que 3 está en el índice 'd' .

 df['Force'].lt(3).idxmax() 'd'

Tenga en cuenta que si ningún valor para Force es inferior a 3, el máximo será False y la primera instancia será la primera.

Considere también la alternativa argmax

 df.Force.lt(3).values.argmax() 3

Devuelve la posición de la primera instancia de valor máximo. Luego puede usar esto para encontrar el valor index correspondiente:

 df.index[df.Force.lt(3).values.argmax()] 'd'

Además, en el futuro, argmax será un método de serie.

También puede probar first_valid_index con where .

 df = pd.DataFrame([[5], [4], [3], [2], [1]], columns=["Force"]) df.Force.where(df.Force < 3).first_valid_index() 3

where reemplazará la parte que no cumple la condición con np.nan por defecto . Luego, encontramos el primer índice válido de la serie.

O esto: seleccione un subconjunto del artículo que le interesa, aquí Variable == 1 . Luego busque el primer elemento en su índice.

 df = pd.DataFrame([[5], [4], [3], [2], [1]], columns=["Force"]) v = (df["Force"] < 3) v[v == 1].index[0]

Bonificación: si necesita el índice de primera aparición de muchos tipos de elementos, puede usar drop_duplicates .

 df = pd.DataFrame([["yello"], ["yello"], ["blue"], ["red"], ["blue"], ["red"]], columns=["Force"]) df.Force.drop_duplicates().reset_index() index Force 0 0 yello 1 2 blue 2 3 red

Algo más de trabajo...

 df.Force.drop_duplicates().reset_index().set_index("Force").to_dict()["index"] {'blue': 2, 'red': 3, 'yello': 0}

A continuación se muestra una solución sin pandas que me resulta fácil de adaptar:

 import pandas as pd df = pd.DataFrame(dict(Force=[5, 4, 3, 2, 1]), list('abcde')) next(idx for idx, x in zip(df.index, df.Force) if x < 3) # d

Funciona iterando al primer resultado de una expresión generadora.

Pandas parece tener un desempeño pobre en comparación:

 df = pd.DataFrame(dict(Force=np.random.randint(0, 100000, 100000))) n = 99900 %timeit df['Force'].lt(n).idxmin() # 1000 loops, best of 3: 1.57 ms per loop %timeit df.Force.where(df.Force > n).first_valid_index() # 100 loops, best of 3: 1.61 ms per loop %timeit next(idx for idx, x in zip(df.index, df.Force) if x > n) # 10000 loops, best of 3: 100 µs per loop