如何用含列表的字典动态过滤Pandas DataFrame？

针对你需要根据可变长度字典过滤DataFrame的需求，推荐两种高效的向量化实现方式，完全无需硬编码，适配任意数量的过滤列：

方法一：逐步构建过滤掩码 #

这种方式可读性强，逻辑清晰，适合需要调试或扩展的场景：

import pandas as pd

# 示例DataFrame（替换为你的实际数据）
df = pd.DataFrame({
    "foo": [40, 60, 90, 110],
    "bar": [3, 7, 12, 8]
})

# Streamlit滑块返回的过滤参数字典
d = {
  "foo": [50, 100],
  "bar": [5, 10]
}

# 初始化掩码为全True（所有行默认保留）
mask = pd.Series([True] * len(df), index=df.index)

# 遍历字典，逐个叠加过滤条件
for col, (min_val, max_val) in d.items():
    # 用&=合并当前列的范围条件，确保所有条件同时满足
    mask &= (df[col] >= min_val) & (df[col] <= max_val)

# 应用掩码得到过滤后的DataFrame
filtered_df = df[mask]

方法二：一行式简洁实现 #

利用between方法和all()聚合条件，代码更紧凑：

import pandas as pd

df = pd.DataFrame({
    "foo": [40, 60, 90, 110],
    "bar": [3, 7, 12, 8]
})

d = {
  "foo": [50, 100],
  "bar": [5, 10]
}

# 生成每列的范围布尔值，拼接后取所有列都为True的行
filtered_df = df[
    pd.concat(
        [df[col].between(min_val, max_val) for col, (min_val, max_val) in d.items()],
        axis=1
    ).all(axis=1)
]

核心优势 #

• 向量化操作：基于pandas原生向量化方法，比循环逐行判断效率高几个数量级
• 动态适配：无论字典中有多少列，代码无需修改，完美适配Streamlit的动态过滤器场景
• 可读性强：两种写法都清晰表达了过滤逻辑，维护成本低

内容的提问来源于stack exchange，提问作者bismo