Pandas基于多条件筛选行：寻求更简洁的分组筛选方案

方法1：映射字典+合并筛选（高效易维护） #

先定义规则映射，生成每个分组的目标kind_sco，再和原表合并筛选，这种向量化操作性能最优，且规则变更时只需修改字典：

# 定义stat到目标kind_sco的映射
stat_target = {'h': 3, 'm': 1, 'l': 2}

# 生成每个id+stat对应的目标值（去重避免重复计算）
targets = data[['id_employee', 'stat']].drop_duplicates()
targets['target_kind'] = targets['stat'].map(stat_target)

# 合并后筛选匹配行
result = data.merge(targets, on=['id_employee', 'stat'])
result = result[result['kind_sco'] == result['target_kind']].drop(columns=['target_kind'])

方法2：groupby+自定义筛选函数（逻辑直观） #

直接按分组应用自定义筛选逻辑，完全贴合你原本的分组思路，适合规则更复杂的场景：

def pick_row(group):
    stat_val = group['stat'].iloc[0]
    if stat_val == 'h':
        return group[group['kind_sco'] == 3]
    elif stat_val == 'm':
        return group[group['kind_sco'] == 1]
    else:
        return group[group['kind_sco'] == 2]

# group_keys=False避免保留分组索引
result = data.groupby(['id_employee', 'stat'], group_keys=False).apply(pick_row)

方法3：向量化条件判断（优化原写法） #

用np.select把多条件逻辑整合成更清晰的形式，比原写法更易读，同样是向量化操作：

import numpy as np

conditions = [
    data['stat'] == 'h',
    data['stat'] == 'm',
    data['stat'] == 'l'
]
target_kinds = [3, 1, 2]

data['target'] = np.select(conditions, target_kinds)
result = data[data['kind_sco'] == data['target']].drop(columns=['target'])

如果规则后续需要扩展，方法1的映射字典修改成本最低；如果是非常复杂的分组内逻辑，方法2的自定义函数灵活性更高。

内容的提问来源于stack exchange，提问作者biyazelnut