pandas中字符串变量条件筛选DataFrame失效的解决方法

pandas方括号索引的入参如果是字符串类型，会默认将其识别为列名，去当前表的列索引中匹配对应列，不会自动把字符串内容当作Python代码执行。
你传入的st是纯字符串，pandas会尝试查找名称为(df['ColA']>48) & (df['ColB']<14)的列，自然匹配失败，最终触发索引查找相关的报错。
而直接写df[(df['ColA']>48) & (df['ColB']<14)]时，方括号内的表达式会先被Python求值为元素值为True/False的布尔Series，pandas识别到入参是布尔序列时，才会执行按条件筛选行的逻辑，这是两种写法的本质差异。

根据使用场景，可以选以下三种常用写法：

• 用内置eval函数对字符串表达式求值
  先把字符串形式的条件运行得到布尔序列，再传入方括号做筛选：

  st = "(df['ColA']>48) & (df['ColB']<14)"
  filter_condition = eval(st)
  df[filter_condition]
  

  注意：eval会直接执行字符串内的代码，如果你拼接的条件包含外部不可信输入，会有代码注入风险，仅在条件完全可控的场景使用。

• 用pandas原生query方法
  pandas专门提供了接收字符串条件的筛选接口，字符串内不需要写DataFrame变量名，直接引用列名即可，内部做了解析优化，大表性能更好：

  st = "ColA > 48 and ColB < 14"
  # 也支持&运算符，和常规表达式写法一致：st = "ColA>48 & ColB<14"
  df.query(st)
  

  注意：该方法同样需要校验传入字符串的来源，避免不可信输入触发安全问题。

• 动态构造布尔序列（后端场景推荐）
  如果是后端根据请求参数动态拼接筛选条件，最安全无注入风险的方式是不拼接字符串，直接逐条件叠加布尔序列：

  # 初始化全True的条件序列，作为初始筛选基准
  cond = pd.Series(True, index=df.index)
  # 逐次叠加判断条件，可以根据后端参数灵活判断是否加某个条件
  cond &= df['ColA'] > 48
  cond &= df['ColB'] < 14
  # 最终筛选
  df[cond]
  

  这种写法不需要做字符串解析，不会有语法解析错误、代码注入的问题，适合生产环境后端逻辑使用。

内容的提问来源于stack exchange，提问作者sravan reddyboina