Python中如何通过迭代实现Pandas DataFrame多条件筛选并解决KeyError问题？

你遇到的核心问题是把字符串表达式直接传给了df.loc[]——loc需要的是布尔值数组（或者布尔条件），而不是字符串形式的代码。直接传字符串会被当成列名去查找，自然就抛出KeyError了。下面给你两种实用的解决方案：

方案一：迭代构建布尔条件（不拼接字符串） #

不用把条件拼成字符串，而是直接在循环中组合布尔Series，这样就能生成loc需要的布尔掩码：

import pandas as pd

# 示例数据（还原你给出的测试场景）
data = {
    'A': [15.1252, 13.1251, 1.3125, 1.5625, 39.5625, 45.6875, 11.0000, 11.0000,
          1.8125, 1.8125, 1.4375, 1.4375, 1.5000, 1.5000, 1.5000, 1.5000,
          1.4375, 1.4375, 1.5000]
}
df = pd.DataFrame(data, index=[329,330,331,332,333,346,347,348,354,355,358,359,360,361,362,363,364,365,366])

# 定义参数：(shift步数, 阈值)
parameters = [[0, 1.7], [1, 1.7], [2, 1.7], [3, 1.7], [4, 1.7], [5, 1.7]]

# 初始化条件为全True，之后逐个与新条件做"且"运算
condition = pd.Series([True]*len(df), index=df.index)
for shift_step, threshold in parameters:
    condition &= df['A'].shift(-shift_step).lt(threshold)

# 执行筛选
result = df.loc[condition]
print(result)

运行这段代码就能得到你想要的结果，完全避开了字符串解析的坑。

方案二：用Rolling窗口更简洁实现 #

其实你的需求是找出当前行及后续5行（共6行）都满足A<1.7的行，用Pandas的rolling窗口可以更优雅地实现，不用手动处理多次shift：

# 反向滚动窗口：先倒序数据，让rolling(6)覆盖原数据的当前行+后续5行
rolling_mask = df['A'].iloc[::-1].rolling(window=6, min_periods=6).apply(lambda x: all(x < 1.7)).iloc[::-1].astype(bool)

# 筛选结果
result = df.loc[rolling_mask]
print(result)

这里的逻辑是：

1. 先把数据倒序，这样rolling(6)的窗口就对应原数据中当前行及之后的5行
2. 用apply检查窗口内所有值是否都小于1.7
3. 再把结果倒序回来，得到和原数据索引匹配的布尔掩码

这种方法扩展性更强——如果之后需要调整连续检测的行数，只需要修改window参数即可，不用改动其他逻辑。

内容的提问来源于stack exchange，提问作者Diego