Python DataFrame过滤优化：移除冗余if条件实现动态筛选

你现在的写法本质是在枚举所有筛选项的勾选组合，筛选项越多分支数会指数级增长，不仅难维护，还很容易写出变量引用错误（比如你现有代码里性别+昵称+母亲名的筛选分支，误把mother_name的匹配值写成了name_search，就是分支写太多导致的低级错误）。

根本不需要枚举任何组合，利用pandas布尔掩码可累加的特性，逐次收集有效筛选条件最后统一过滤即可，核心逻辑只有几行：

• 初始化一个全为True的布尔序列作为初始筛选掩码，默认匹配所有行
• 遍历所有筛选项：如果用户勾选了对应筛选项、且输入了有效值，就生成该维度的布尔判断条件，和总掩码做与运算（也就是同时满足多个条件的逻辑）
• 所有筛选项处理完后，如果总掩码没有叠加任何有效条件，就弹出输入提示；否则直接用总掩码过滤DataFrame即可

重构后的完整代码示例 #

import pandas as pd
import streamlit as st

# 这里替换成你自己的DataFrame读取逻辑
# df = pd.read_csv(...)

with st.sidebar:
    # 渲染筛选项勾选框
    col1_ch,col2_ch,col3_ch = st.columns(3)
    with col1_ch:
        adv_searchcheckbox_name_nickname = st.checkbox("Name or Nickname or Mother name",value = False,key=1)
        adv_searchcheckbox_gender = st.checkbox("Gender",value = False,key=2)
        adv_searchcheckbox_status_type = st.checkbox("Status type",value = False,key=3)
        adv_searchcheckbox_country = st.checkbox("Country",value = False,key=4)
        adv_searchcheckbox_bd = st.checkbox("Date Of Birth",value = False,key=5)

    # 初始化筛选掩码，默认所有行保留
    filter_mask = pd.Series(True, index=df.index)
    has_valid_filter = False

    # 处理姓名/昵称/母亲名筛选项
    if adv_searchcheckbox_name_nickname:
        col1, col2,col3 = st.columns(3)
        with col1:
            name_search = st.text_input("name")
        with col2:
            nickname_search = st.text_input("nickname")
        with col3:
            mother_name_search = st.text_input("mother name")
        
        # 逐次叠加有效条件，不需要判断其他筛选项有没有勾选
        if name_search.strip():
            filter_mask &= df['name'].str.contains(name_search.strip(), case=False, na=False)
            has_valid_filter = True
        if nickname_search.strip():
            filter_mask &= df['nickname'].str.contains(nickname_search.strip(), case=False, na=False)
            has_valid_filter = True
        if mother_name_search.strip():
            filter_mask &= df['mother_name'].str.contains(mother_name_search.strip(), case=False, na=False)
            has_valid_filter = True

    # 处理性别筛选项
    if adv_searchcheckbox_gender:
        radio_gender = st.radio(label="Gender", options=["M","F"])
        # 单选框默认有值，勾选即生效
        filter_mask &= df['gender'] == radio_gender
        has_valid_filter = True

    # 剩余未完成的筛选项按同样逻辑追加即可，不需要修改已有代码
    # 处理状态类型筛选项
    if adv_searchcheckbox_status_type:
        selected_status = st.multiselect("Status type", options=df['status_type'].unique())
        if selected_status:
            filter_mask &= df['status_type'].isin(selected_status)
            has_valid_filter = True

    # 处理国家筛选项
    if adv_searchcheckbox_country:
        selected_country = st.multiselect("Country", options=df['country'].unique())
        if selected_country:
            filter_mask &= df['country'].isin(selected_country)
            has_valid_filter = True

    # 处理出生日期筛选项
    if adv_searchcheckbox_bd:
        min_bd, max_bd = st.date_input("Date of Birth range", value=(df['bd'].min(), df['bd'].max()))
        filter_mask &= df['bd'].between(min_bd, max_bd)
        has_valid_filter = True

    search_click = st.button("search")

if search_click:
    if not has_valid_filter:
        st.warning('请至少输入一个筛选条件')
    else:
        df_result_search = df[filter_mask]
        st.dataframe(df_result_search)

这种写法的优势 #

• 没有任何冗余分支判断，不管加多少个筛选项，代码量都是线性增长，不会出现几十上百个if/elif的情况
• 维护成本极低，新增筛选项只需要单独写该维度的控件渲染和条件生成逻辑，不需要修改其他筛选项的代码
• 不会出现枚举分支时容易犯的变量写错、逻辑漏判问题
• 运行效率更高，不需要走多层分支判断，只需要逐次计算布尔掩码即可

内容的提问来源于stack exchange，提问作者DevLeb2022