使用Pandas DataFrame filter报'function not iterable'错误，apply却正常？

为什么df.filter(lambda x:x['b']>0.5, axis=1)会报错？ #

你完全误解了Pandas filter方法的用途——它不是用来按行/列的数值条件筛选数据的，而是专门用来按标签名（行索引或列名）进行匹配筛选的。

Pandas的filter只接受以下类型的参数：

• 字符串：匹配包含该字符串的标签
• 列表：精确匹配列表中的标签
• like/regex参数：按字符串包含关系或正则表达式匹配标签

当你传入lambda函数时，filter会尝试把这个函数当作可迭代对象去遍历（因为它预期的是标签相关的筛选规则，不是函数），自然就抛出TypeError: 'function' object is not iterable错误。

举个filter的正确用法示例：

# 筛选列名包含'b'的列
df.filter(like='b', axis=1)
# 筛选列名以'a'或'c'开头的列
df.filter(regex='^[ac]', axis=1)

filter和apply的底层差异 #

df.apply() #

apply的设计目标是对DataFrame的每一行/每一列（由axis参数指定）应用自定义函数：

• 当axis=1时，会把每一行包装成一个Series传入你的lambda函数
• 函数处理后返回单个值或Series，最终将所有结果拼接成一个新的Series/DataFrame
• 它是逐行/列的迭代处理，适合处理需要自定义逻辑的场景，但效率不如矢量化运算

df.filter() #

filter的底层逻辑完全围绕标签匹配：

• 它不会遍历行/列的数值内容，只关注行索引或列名的字符串特征
• 源码中没有处理函数参数的分支，只会把传入的参数解析为标签筛选规则
• 核心作用是快速筛选出符合标签规则的行/列，和数值条件无关

为什么df.loc[df.apply(function)]能得到正确结果？ #

df.apply(function)返回的是一个布尔值Series，而df.loc[]正好接受布尔数组/Series作为行筛选条件——这相当于先用apply生成了筛选规则，再传给loc执行筛选，逻辑是通顺的。

但这种写法完全是绕远路，直接用矢量化运算效率高得多：

df.loc[df['b']>0.5]
# 或者更简洁的写法
df[df['b']>0.5]

正确的替代方案 #

如果想要简洁的写法，除了直接的列运算，还可以用query方法：

df.query("b > 0.5")

只有当你需要按标签名筛选时，才应该使用df.filter()，比如：

# 筛选行索引包含'1'的行（假设索引是字符串类型）
df.filter(like='1', axis=0)

内容的提问来源于stack exchange，提问作者John Tweed