Pandas筛选DataFrame列值≤0.3768的行报错解决方法

现有一个DataFrame需要筛选所有列值均小于等于0.3768的行，初始实现代码运行时报类型错误，参考他人方案调整后，结果中仍残留大于阈值的数值。

• 初始报错信息：TypeError: '<=' not supported between instances of 'str' and 'float'
• 初始错误代码：

for column in df_thd_funct_mode1_T:
    new_df = df_thd_funct_mode1_T.loc[(np.isclose(df_thd_funct_mode1_T[column] <= .3768))]

• 参考示例数据结构：
  
• 参考错误结果：
  

1. 数据类型不匹配：DataFrame中存在存储为字符串格式的数值，直接和浮点数做大小比较会触发类型错误
2. 逻辑写法错误：循环逐列筛选时每次都会覆盖之前的结果，最终new_df仅满足最后一列的筛选规则，自然会残留其他列大于阈值的行
3. 函数误用：np.isclose的作用是判断两个浮点数是否近似相等，传入布尔序列做参数属于用法错误，无法实现预期筛选效果

如果你的DataFrame所有列都需要参与数值比较，直接运行以下代码即可：

import pandas as pd
import numpy as np

# 1. 统一将所有列转为浮点类型，无法转换的无效字符串值设为缺失值NaN
df_thd_funct_mode1_T = df_thd_funct_mode1_T.apply(pd.to_numeric, errors='coerce')

# 2. 设置筛选阈值，逐行判断所有列是否都满足<=阈值的要求
threshold = 0.3768
keep_row_mask = (df_thd_funct_mode1_T <= threshold).all(axis=1)

# 3. 筛选符合要求的行
new_df = df_thd_funct_mode1_T.loc[keep_row_mask].copy()

如果你的DataFrame存在不需要参与数值比较的字符串列（比如ID列、名称列），可以先将这类列设为索引再做筛选，避免被强制转数值：

# 示例：将第一列设为索引（不参与数值比较）
df_thd_funct_mode1_T = df_thd_funct_mode1_T.set_index(df_thd_funct_mode1_T.columns[0])

# 后续转换、筛选逻辑和上面一致
df_thd_funct_mode1_T = df_thd_funct_mode1_T.apply(pd.to_numeric, errors='coerce')
threshold = 0.3768
keep_row_mask = (df_thd_funct_mode1_T <= threshold).all(axis=1)
new_df = df_thd_funct_mode1_T.loc[keep_row_mask].reset_index()

内容的提问来源于stack exchange，提问作者Confused