如何在Pandas中批量筛选多个DataFrame的指定行（time=0）以简化代码？

这问题我之前也碰到过，重复写筛选代码确实烦！给你两个简洁的方案，看你需求选：

方案1：用字典统一管理（推荐） #

把所有需要处理的DataFrame放进一个字典里，用字典推导式批量完成筛选，既整洁又方便后续复用：

# 先把原DataFrames存入字典，键对应原变量名
dfs = {'a': a, 'b': b, 'c': c, 'd': d, 'e': e}

# 批量筛选time=0的行，结果存在新字典里
base_dfs = {name: df[df['time'] == 0] for name, df in dfs.items()}

之后你可以通过base_dfs['a']、base_dfs['b']来访问处理后的结果，这种方式的好处是能把相关的DataFrame统一管理，后续如果还要做其他批量操作（比如合并、导出），直接遍历字典就行，不会让命名空间乱糟糟的。

方案2：自动生成单独变量（适合简单场景） #

如果你还是希望得到a_base、b_base这类单独的变量，可以借助globals()来批量赋值，省去手动逐个定义的麻烦：

# 同样先把原DataFrames存入字典
dfs = {'a': a, 'b': b, 'c': c, 'd': d, 'e': e}

# 遍历字典，自动创建对应_base后缀的变量
for name, df in dfs.items():
    globals()[f"{name}_base"] = df[df['time'] == 0]

执行完这段代码后，你就能直接用a_base、b_base这些变量了，不过要注意：这种方式会直接修改全局命名空间，在复杂项目里可能引发变量名冲突，所以更适合简单的脚本或者Notebook场景。

内容的提问来源于stack exchange，提问作者Jared