Pandas DataFrame多条件筛选时能否嵌入if逻辑按年份动态调整SVL匹配范围

完全可以在Pandas筛选逻辑中嵌入动态分支规则，不需要硬写大量重复的if-elif判断，用向量化公式等价实现所有分支逻辑即可，代码更简洁、可扩展性更强。

核心逻辑拆解 #

你设定的年份联动规则本质是按记录年份与基准年的差值，动态调整SVL的匹配区间，不需要逐行走分支判断：

• 以2021年为基准年，每向前回溯1年，SVL的匹配上限扣减5mm
• 所有年份的Trap匹配逻辑保持不变
• 固定参数可提前定义为变量，后续调整规则时只需要修改变量值即可

注意：如果严格按照最初设想的“仅下调SVL上限、固定下限为规则值”的逻辑，你举例的2018年SVL=45mm的个体是无法被匹配的（45远低于固定下限70）。结合你提到的“年增长10mm、±5mm测量误差”的实际场景，动态区间应该同步调整上下限，才能匹配到跨年份的目标个体。

完整可运行代码 #

import pandas as pd

# 复刻示例数据
df = pd.DataFrame({
    "ID": [1, 2, 3],
    "Year": [2020, 2019, 2018],
    "Trap": [['P90', 'R81'], ['P3'], ['P22', 'R1', 'R11', 'PR22']],
    "SVL": [78, 56, 45]
})

# 检索规则
dict_choice = {'Trap': ['R1'], 'SVL': (70.0, 80.0)}
# 固定规则参数
BASE_YEAR = 2021
DECREMENT_PER_BACKYEAR = 5
GROWTH_RATE_PER_YEAR = 10

# 筛选逻辑
# 1. Trap匹配（和原有逻辑一致）
trap_match = df['Trap'].map(set(dict_choice['Trap']).issubset)

# 2. 计算每条记录与基准年的差值
year_gap = BASE_YEAR - df['Year']

# 3. 动态计算每条记录对应的SVL匹配区间
# 每回溯1年，按年生长率下调区间上下限，保留5mm的误差带宽
dynamic_svl_min = dict_choice['SVL'][0] - year_gap * GROWTH_RATE_PER_YEAR
dynamic_svl_max = dict_choice['SVL'][1] - year_gap * GROWTH_RATE_PER_YEAR + DECREMENT_PER_BACKYEAR

# 4. SVL匹配
svl_match = (df['SVL'] >= dynamic_svl_min) & (df['SVL'] <= dynamic_svl_max)

# 合并所有条件得到筛选结果
newdf = df.loc[trap_match & svl_match]

运行上述代码后，即可正确筛选出ID=3的目标个体：2018年与基准年的差值为3年，对应动态SVL区间为40mm~55mm，45mm的记录完全落在区间内。

如需显式嵌入分支逻辑的实现 #

如果希望完全按照手写if-elif的分支逻辑逐行判断，可使用apply方法实现，适配小体量数据集场景：

def filter_row(row):
    # 先判断Trap是否满足匹配要求
    if not set(dict_choice['Trap']).issubset(set(row['Trap'])):
        return False
    # 按年份走不同分支的SVL判断
    record_year = row['Year']
    if record_year == 2021:
        svl_low, svl_high = dict_choice['SVL']
    elif record_year == 2020:
        svl_low = dict_choice['SVL'][0]
        svl_high = dict_choice['SVL'][1] - 5
    elif record_year == 2019:
        svl_low = dict_choice['SVL'][0]
        svl_high = dict_choice['SVL'][1] - 10
    else:
        # 更早年份自动按每回溯1年扣5mm的规则计算
        svl_low = dict_choice['SVL'][0]
        svl_high = dict_choice['SVL'][1] - (2021 - record_year) * 5
    return svl_low <= row['SVL'] <= svl_high

newdf = df[df.apply(filter_row, axis=1)]

这种实现方式的缺点是逐行遍历的效率低于向量化计算，且新增年份规则时需要手动修改分支判断，可扩展性较弱。

内容的提问来源于stack exchange，提问作者queste