如何用元组列表中的单个元组高效过滤Pandas DataFrame多列？

我参考了Stack Overflow上的问题《Filter pandas dataframe from tuples》，但需求略有不同：我拥有一个元组列表，每个元组对应DataFrame多列的一组过滤条件，需筛选出对应记录以执行后续操作。

尝试用列表中的单个元组过滤时，使用df[df[["A"]].apply(tuple,1).isin(AB_col[0])]无结果返回，但拆解元组写长表达式df[(df['A']==AB_col[0][0]) & (df['B']==AB_col[0][1])]可得到正确结果。不过当元组列表为大量列值组合时，该写法过于繁琐。

补充说明：我需要遍历整个元组列表，用每个元组过滤DataFrame并执行操作，也可更换过滤条件的存储形式以提升性能。示例如下：

AB_col = [(0,230),(20,192)]
# 迭代1：用(0,230)过滤DF -> 处理结果
# 迭代2：用(20,192)过滤DF -> 处理结果
# ... 直至遍历所有元组

请问是否有更高效的实现方式？

方法1：多列元组匹配+批量过滤 #

直接将目标列转换为元组序列，一次性筛选出所有符合条件的行，再按需分组处理，避免多次全表扫描：

# 假设目标过滤列为A和B
mask = df[['A', 'B']].apply(tuple, axis=1).isin(AB_col)
filtered_df = df[mask]

# 遍历元组处理对应结果
for ab_tuple in AB_col:
    target_group = filtered_df[(filtered_df['A'] == ab_tuple[0]) & (filtered_df['B'] == ab_tuple[1])]
    # 执行自定义处理操作，例如打印、统计等
    print(f"元组{ab_tuple}匹配记录：\n{target_group}")

方法2：内连接匹配（大数据量首选） #

将元组列表转为带列名的DataFrame，通过内连接直接获取所有匹配记录，这是pandas优化过的操作，性能远优于循环过滤：

import pandas as pd

# 把过滤元组转为DataFrame，列名需和原DF对应
condition_df = pd.DataFrame(AB_col, columns=['A', 'B'])
# 内连接得到所有匹配行
filtered_df = pd.merge(df, condition_df, on=['A', 'B'], how='inner')

# 按元组分组处理
for ab_tuple in AB_col:
    target_group = filtered_df[(filtered_df['A'] == ab_tuple[0]) & (filtered_df['B'] == ab_tuple[1])]
    # 执行处理操作

方法3：预构建掩码字典（适合重复使用条件） #

如果需要多次复用这些过滤条件，可预先为每个元组计算布尔掩码，后续直接调用即可：

# 提前生成所有元组对应的布尔掩码
mask_dict = {
    ab_tuple: (df['A'] == ab_tuple[0]) & (df['B'] == ab_tuple[1])
    for ab_tuple in AB_col
}

# 遍历处理
for ab_tuple, mask in mask_dict.items():
    target_group = df[mask]
    # 执行处理操作

内容的提问来源于stack exchange，提问作者Garrett