如何用列表推导式替代多&符号过滤Pandas DataFrame？

针对你想要简洁且高性能的DataFrame多列筛选需求，这里有两种既优雅又能保持接近原生链式逻辑与性能的实现方式：

方案1：合并布尔条件并按行取逻辑与 #

通过列表推导生成每列的布尔判断序列，再用numpy.logical_and.reduce或者pandas.concat+all(axis=1)合并为最终的筛选掩码：

import numpy as np
id_cols=['dataset', 'inflation', 'cat', 'region']

# 用numpy的逻辑与合并
mask = np.logical_and.reduce([DF[x] == y for x, y in zip(id_cols, filterlist)])
result = DF.loc[mask]

# 或者用pandas的concat+all写法
mask = pd.concat([DF[x] == y for x, y in zip(id_cols, filterlist)], axis=1).all(axis=1)
result = DF.loc[mask]

这两种写法的性能和你最初的链式&写法几乎完全一致，同时避免了手动编写大量重复的&连接代码，扩展性更强（新增筛选列只需修改id_cols和filterlist）。

方案2：构造筛选字典，用isin匹配 #

将列名与对应筛选值组成字典，利用isin方法生成匹配矩阵后按行取全匹配：

filter_dict = dict(zip(id_cols, filterlist))
mask = DF.isin(filter_dict).all(axis=1)
result = DF.loc[mask]

这种写法的可读性拉满，代码量极少，性能同样接近原生链式写法，非常适合需要维护多列筛选规则的场景。

性能差异说明 #

• 你之前尝试的集合交集方法需要多次生成子DataFrame、提取索引并做集合运算，额外开销极大；query方法则需要动态解析字符串表达式，执行效率远低于原生的布尔向量运算。
• 上面两种方案本质上都是基于原生的布尔向量运算，和你最初的链式写法底层逻辑一致，因此能保持最优性能。

内容的提问来源于stack exchange，提问作者Dean MacGregor