如何基于参考Building-ID筛选大型建筑房间数据表？

我有一张包含56267行建筑房间信息的大型数据表（table_A），每行对应一个房间，由Room-ID（A列）和Building-ID（B列）标识，一栋建筑包含多个房间，因此表中存在重复的Building-ID。另有一张包含607个指定Building-ID的参考表（table_B），需要从table_A中筛选出属于这些Building-ID的行，且保留重复项。

构造的示例数据集：

table_A = {
    'A': [1, 2, 3, 4, 4, 5],
    'more stuff': ["yes", 10, 100, 150, 200, 250],
    'even_more stuff': ["no", 10, 50, 100, 200, 250],
    'B': [2,4]  # 此处为构造错误，真实数据中B列应与其他列长度一致
}
table_B = {
    'B': [2, 4]
}

尝试用groupby筛选，构造DataFrame：

table_A_df = pd.DataFrame(table_A, columns=['A','more stuff','even_more stuff','B'])
table_B_df = pd.DataFrame(table_B, columns=['B'])

期望筛选结果：

table_A_filtered = {
    'A_new': [2, 4, 4],
    'more stuff': [10, 150, 200],
    'even_more stuff': [10, 100, 200]
}

但因table_A中B列长度与其他列不一致，执行table_A_filtered = table_A_df.groupby(["B"])时出现ValueError: All arrays must be of the same length和KeyError: 'B'错误，寻求正确筛选方案。

首先修正示例数据的构造错误：真实场景中table_A的每一行（每个房间）都应对应一个Building-ID，因此B列长度必须与其他列一致。修正后的示例table_A如下：

table_A = {
    'A': [1, 2, 3, 4, 4, 5],
    'more stuff': ["yes", 10, 100, 150, 200, 250],
    'even_more stuff': ["no", 10, 50, 100, 200, 250],
    'B': [1, 2, 3, 4, 4, 5]  # 每个房间对应唯一的Building-ID
}

以下是两种高效的筛选方案：

方案一：使用isin()方法（推荐，适配大型数据集） #

直接判断table_A的B列值是否存在于table_B的B列中，快速筛选出符合条件的行：

import pandas as pd

# 构造正确的DataFrame
table_A_df = pd.DataFrame(table_A)
table_B_df = pd.DataFrame(table_B)

# 获取目标Building-ID列表
target_buildings = table_B_df['B'].tolist()

# 筛选数据并重置索引（可选操作）
filtered_df = table_A_df[table_A_df['B'].isin(target_buildings)].reset_index(drop=True)

# 重命名A列为A_new（按需执行）
filtered_df = filtered_df.rename(columns={'A': 'A_new'})

print(filtered_df)

输出结果与期望一致：

A_new  more stuff  even_more stuff  B
0      2          10               10  2
1      4         150              100  4
2      4         200              200  4

方案二：使用merge()方法 #

通过内连接筛选匹配的行，自动保留重复项，适合需要处理关联数据的场景：

import pandas as pd

table_A_df = pd.DataFrame(table_A)
table_B_df = pd.DataFrame(table_B)

# 内连接，仅保留B列匹配的行
filtered_df = pd.merge(table_A_df, table_B_df, on='B', how='inner')

# 重命名A列并调整列顺序（按需执行）
filtered_df = filtered_df.rename(columns={'A': 'A_new'})[['A_new', 'more stuff', 'even_more stuff']]

print(filtered_df)

内容的提问来源于stack exchange，提问作者Lamine Traore