如何删除Pandas DataFrame中指定列不含'PC'的行？

我有如下Pandas DataFrame数据集：

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 513250 entries, 0 to 513249
Data columns (total 26 columns):
  # Column Non-Null Count Dtype
--- ------ -------------- -----
  0 Game Title 513196 non-null object
  1 Game Poster 513196 non-null object
  2 Game Release Date 513196 non-null object
  3 Game Developer 512977 non-null object
  4 Genre 513196 non-null object
  5 Platforms 513250 non-null object
  6 Product Rating 425527 non-null object
  7 Overall Metascore 513181 non-null float64
  8 Overall User Rating 513128 non-null object
  9 Reviewer Name 512347 non-null object
  10 Reviewer Type 513250 non-null object
  11 Rating Given By The Reviewer 510449 non-null float64
  12 Review Date 405044 non-null object
  13 Review Text 512804 non-null object
  14 0 513250 non-null object
  15 1 513250 non-null object
  16 2 513250 non-null object
  17 3 513250 non-null object
  18 4 513250 non-null object
  19 5 513250 non-null object
  20 6 513250 non-null object
  21 7 513250 non-null object
  22 8 513250 non-null object
  23 9 513250 non-null object
  24 10 513250 non-null bool
  25 11 513250 non-null object
dtypes: bool(1), float64(2), object(23)

memory usage: 98.4+ MB

其中名为0到11的列（即DataFrame中索引14到25对应的列）里，部分行包含'PC'值，不含该值的列显示为"False"。我需要删除那些在这些指定列中**完全不含'PC'**的行，但尝试多种方法都没成功，包括：

方法1：

for index, row in df.iterrows(): 
    if 'PC' not in row.values: 
    df.drop(index, inplace=True)

方法2：

df = df[df['column'] == 'PC']

# Resetando os índices após a filtragem
df.reset_index(drop=True, inplace=True)

方法3：

column_pc = [1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11]

df = df[df[colum_pc].apply(lambda row: 'PC' in row.values, axis=1)]

df.reset_index(drop=True, inplace=True)

请问该如何正确实现需求？

先说说你之前方法为啥不行：

• 方法1用iterrows()遍历几十万行效率极低，而且row.values包含所有列的值，不是你要检查的0-11列，逻辑压根不对。
• 方法2里的'column'是占位符，没指定实际列，而且只筛单列为'PC'的行，不符合“任意指定列含PC就保留”的需求。
• 方法3里变量名拼错了（colum_pc少了个n），而且你要的是列名为0到11的列（不是DataFrame的第1到11列），另外列10是bool类型，直接判断会出错。

给你两个可行的写法，第二个更高效：

写法一（lambda遍历） #

# 指定要检查的列名：0到11
pc_columns = ['0', '1', '2', '3', '4', '5', '6', '7', '8', '9', '10', '11']

# 遍历每行，检查是否有列的值等于'PC'（把bool转成字符串避免类型错误）
df_filtered = df[df[pc_columns].apply(lambda row: any(str(val) == 'PC' for val in row), axis=1)]

# 重置索引
df_filtered.reset_index(drop=True, inplace=True)

写法二（矢量化操作，推荐） #

矢量化操作比lambda遍历快得多，适合几十万行的大数据集：

pc_columns = ['0', '1', '2', '3', '4', '5', '6', '7', '8', '9', '10', '11']

# 把所有列转成字符串，生成布尔矩阵（每个元素表示是否等于'PC'），再按行判断是否有True
mask = df[pc_columns].astype(str).eq('PC').any(axis=1)

# 过滤并重置索引
df_filtered = df[mask].reset_index(drop=True)

原理很简单：

1. astype(str)把所有列统一转成字符串，解决列10是bool类型的问题
2. eq('PC')生成一个和原列同形状的布尔矩阵，True表示对应位置是'PC'
3. any(axis=1)按行判断，只要该行有一个True就保留
4. 最后用这个布尔掩码过滤原DataFrame就行

内容的提问来源于stack exchange，提问作者Andre de Paula Galhardo