结论先说：不建议去掉.values，去掉大概率报错，即使偶尔能运行也暗藏风险

#原代码
X= np.hstack([raw_df.values[::2, :], raw_df.values[1::2, :2]])

raw_df 是 Pandas DataFrame

1. 如果删掉.values，写成下面这样：

X= np.hstack([raw_df[::2, :], raw_df[1::2, :2]])

❌ 直接报错！ DataFrame 不支持 [行切片,列切片] 这种二维索引写法 Pandas只能用 .loc / .iloc 实现行列同时筛选。

# DataFrame正确行列切片写法（不用values）
raw_df.iloc[::2, :]
raw_df.iloc[1::2, :2]

2. 两种可行方案对比

方案A（你当前写法，推荐）

# DataFrame转numpy数组，numpy原生切片语法，简洁
X= np.hstack([raw_df.values[::2, :], raw_df.values[1::2, :2]])

方案B（不使用.values，使用iloc）

part1 = raw_df.iloc[::2, :]
part2 = raw_df.iloc[1::2, :2]
X = np.hstack([part1, part2])

原理：np.hstack会自动把DataFrame转为数组，但是代码更长。

3. 关键坑点区分

1. numpy数组 ndarray 支持 arr[行切片,列切片]
2. Pandas DataFrame 不支持 df[行切片,列切片] df[] 只用来选列，不能同时写行、列两个维度！

4. 最简总结

1. raw_df.values → 转为numpy数组，才能直接写 [::2, :]；
2. 去掉.values，必须改用 .iloc[] 索引，不能直接 raw_df[::2,:]；
3. 这行代码标准写法保留 .values，简洁、机器学习场景通用。

补充拓展演示

import pandas as pd
import numpy as np
df = pd.DataFrame(np.arange(20).reshape(10,2))

# 报错写法！无values
# df[::2,:]

# 正确1：转数组切片（你的代码风格）
print(df.values[::2,:])

# 正确2：iloc切片
print(df.iloc[::2,:])