Python：如何高效删除不满足多组条件的DataFrame行

首先还原示例DataFrame的构造代码：

import pandas as pd

data = {
    'Grade': ['A', 'A', 'A', 'A', 'B', 'B', 'B', 'B', 'A', 'A', 'A', 'A', 'A', 'B', 'B', 'B', 'B'],
    'Price': [2, 10, 9, 10, 8, 7, 6, 10, 12, 11, 11, 12, 10, 9, 9, 10, 11],
    'Group': ['apple']*8 + ['berry']*9
}
df = pd.DataFrame(data)

以下是两种避免拆分拼接的高效筛选方案：

方法一：向量化布尔条件组合 #

利用Pandas的向量化特性，直接组合所有筛选条件，一次完成筛选，是大型数据集下性能最优的方式：

# 构建筛选掩码
mask = (
    ((df['Group'] == 'apple') & (df['Grade'] == 'A') & df['Price'].between(9, 10)) |
    ((df['Group'] == 'apple') & (df['Grade'] == 'B') & df['Price'].between(7, 8)) |
    ((df['Group'] == 'berry') & (df['Grade'] == 'A') & df['Price'].between(11, 12)) |
    ((df['Group'] == 'berry') & (df['Grade'] == 'B') & df['Price'].between(9, 10))
)

# 筛选符合条件的行
filtered_df = df[mask]

方法二：字典映射规则（高可维护性） #

如果后续需要修改或新增筛选规则，用字典映射对应区间的方式更清晰，同时通过向量化转换保证性能：

# 定义(Group, Grade)对应的Price区间规则
rule_map = {
    ('apple', 'A'): (9, 10),
    ('apple', 'B'): (7, 8),
    ('berry', 'A'): (11, 12),
    ('berry', 'B'): (9, 10)
}

# 生成组合键并映射区间上下限
group_grade_key = df['Group'] + '_' + df['Grade']
lower_limit = pd.Series({f"{k[0]}_{k[1]}": v[0] for k, v in rule_map.items()})
upper_limit = pd.Series({f"{k[0]}_{k[1]}": v[1] for k, v in rule_map.items()})

# 向量化生成筛选掩码
mask = (df['Price'] >= lower_limit[group_grade_key].values) & (df['Price'] <= upper_limit[group_grade_key].values)
filtered_df = df[mask]

筛选结果示例 #

最终得到的filtered_df会保留所有符合条件的行：

内容的提问来源于stack exchange，提问作者harry