如何用Python编写支持任意数量列过滤条件的DataFrame处理函数

解决方案1：直接传入布尔条件（最灵活） #

直接将过滤用的布尔掩码作为可变参数传入函数，支持任意复杂的过滤逻辑，不需要单独处理操作符：

from functools import reduce
import pandas as pd

def select_filters(df, *conditions):
    # 未传入条件时直接返回原数据
    if not conditions:
        return df
    # 拼接所有条件，默认多条件取交集（需要并集把&改成|即可）
    combined_mask = reduce(lambda mask_a, mask_b: mask_a & mask_b, conditions)
    return df[combined_mask]

调用示例

# 示例数据构造
df = pd.DataFrame({
    'column1': ['A1', 'A2', 'A3'],
    'column2': [1, 2, 3],
    'column3': [2, 3, 4]
})

# 单条件过滤：column2 >=2
result1 = select_filters(df, df['column2'] >= 2)

# 多条件过滤：column2 >=2 且 column3 >=4
result2 = select_filters(df, df['column2'] >= 2, df['column3'] >=4)

这种方案不需要提前定义操作符，支持字符串匹配、时间判断等任意pandas支持的过滤逻辑，比如df['column1'].str.startswith('A')也可以直接作为参数传入。

解决方案2：结构化传入规则（适合参数化场景） #

如果需要将过滤规则作为结构化参数传入（比如配置化调用的场景），可以通过(列名, 操作符, 阈值)的三元组传入规则：

from functools import reduce
import operator
import pandas as pd

# 操作符映射表，可根据需求扩展
op_map = {
    '>': operator.gt,
    '<': operator.lt,
    '>=': operator.ge,
    '<=': operator.le,
    '==': operator.eq,
    '!=': operator.ne
}

def select_filters(df, *filter_rules):
    if not filter_rules:
        return df
    conditions = []
    for col_name, op_symbol, threshold in filter_rules:
        conditions.append(op_map[op_symbol](df[col_name], threshold))
    combined_mask = reduce(lambda mask_a, mask_b: mask_a & mask_b, conditions)
    return df[combined_mask]

调用示例

# 单条件过滤：column2 >=2
result1 = select_filters(df, ('column2', '>=', 2))

# 多条件过滤：column2 >=2 且 column3 >=4
result2 = select_filters(df, ('column2', '>=', 2), ('column3', '>=',4))

内容的提问来源于stack exchange，提问作者shsh