如何高效筛选DataFrame中place为空的行并实现多列条件校验？

原始数据构建 #

先还原你的DataFrame：

import pandas as pd
import numpy as np

df = pd.DataFrame({
    'ID': [1,2,3,4],
    'place': [1, np.nan, np.nan, 1],
    'stock': [4,2,np.nan,1]
})

核心解决方案：矢量化布尔索引 #

完全不需要循环，用Pandas的矢量化操作就能高效完成筛选、校验和统计，且天然支持多列扩展：

1. 单条件校验（示例：place为空且stock>0）

# 构建筛选掩码：同时满足place为空、stock>0
mask = df['place'].isna() & (df['stock'] > 0)

# 统计符合条件的行数
valid_count = mask.sum()
# 查看具体符合条件的行
valid_rows = df[mask]

print(valid_count)  # 输出：1

2. 多列校验通用方案

如果需要同时校验10余列的条件，直接通过&（逻辑与）或|（逻辑或）组合多个条件即可；如果是批量列需要满足同一规则，可批量生成条件：

方式1：手动组合多列条件

假设新增quantity列，需要校验place为空 + stock>0 + quantity>1：

df['quantity'] = [1,3,np.nan,2]

mask_multi = df['place'].isna() & (df['stock'] > 0) & (df['quantity'] > 1)
count_multi = mask_multi.sum()

方式2：批量处理同规则列

如果有一批列（比如stock、quantity、sales）都需要满足>0，可以用all()/any()批量生成条件：

# 指定需要校验的列
check_cols = ['stock', 'quantity']
# 生成批量条件：所有指定列都>0
cols_condition = df[check_cols].gt(0).all(axis=1)
# 组合总条件：place为空 + 所有指定列符合规则
mask_batch = df['place'].isna() & cols_condition
count_batch = mask_batch.sum()

优势说明 #

• 性能远优于循环：矢量化操作基于底层C实现，处理大数据集时速度比Python循环快10~100倍
• 代码简洁易维护：多列扩展只需添加条件或修改校验列列表，无需修改循环逻辑
• 可读性强：直接用布尔表达式表达业务规则，逻辑清晰

内容的提问来源于stack exchange，提问作者user8793002