我来给你搞定这个分组筛选的需求，用Pandas的分组+自定义函数就能完美实现，咱们直接上代码加解释：

思路拆解 #

核心是对A列的每个分组（blue/green）执行两步筛选：

• 直接提取B等于C的行；
• 优先提取B等于C-1的行，若不存在则选B小于C-1且最接近该值的行（也就是B最大的那行）。

代码实现 #

先模拟一个符合你需求的示例DataFrame，然后写处理逻辑：

import pandas as pd

# 模拟你的原始数据（可替换成你实际的df）
data = {
    'A': ['blue', 'blue', 'blue', 'green', 'green', 'green'],
    'B': [10.0, 12.0, 14.0, 8.0, 9.0, 10.0],
    'C': [14.0, 14.0, 14.0, 10.0, 10.0, 10.0]
}
df = pd.DataFrame(data)

def process_single_group(group):
    # 第一步：筛选B=C的行
    part1 = group[group['B'] == group['C']].copy()
    
    # 第二步：处理B=C-1或最接近的情况
    # 假设每组的C值是统一的（从你的例子来看是这样），取组内第一个C值作为基准
    c_base = group['C'].iloc[0]
    target_b = c_base - 1
    
    # 筛选出B小于等于target_b的候选行
    candidate_rows = group[group['B'] <= target_b]
    part2 = pd.DataFrame()  # 默认空，避免报错
    if not candidate_rows.empty:
        # 选B最大的行（最接近target_b）
        closest_row = candidate_rows.loc[[candidate_rows['B'].idxmax()]]
        part2 = closest_row
    
    # 合并两部分并去重（防止同一行同时满足两个条件）
    final_group = pd.concat([part1, part2]).drop_duplicates()
    return final_group

# 按A列分组，应用自定义函数生成df1
df1 = df.groupby('A', group_keys=False).apply(process_single_group)

代码解释 #

• 自定义函数process_single_group：专门处理单个分组的逻辑，可读性拉满；
• 第一步筛选：直接用布尔索引group['B'] == group['C']提取符合条件的行；
• 第二步筛选：
  1. 先拿到分组的基准C值（如果你的数据中每组C不统一，可调整为按每行C单独处理）；
  2. 计算目标B值C-1，然后筛选出B不超过该目标的行；
  3. 从候选行里挑B最大的（也就是最接近目标的），如果没有候选行就跳过这部分；
• 合并去重：避免同一行被两次选中（比如某行同时满足B=C和B=C-1，不过这种情况只有C=1才会出现）。

测试结果 #

用上面的模拟数据跑出来的df1会是：

完全符合你的需求：blue组选了B=14（等于C）和B=12（最接近13=C-1）；green组选了B=10（等于C）和B=9（等于C-1）。

内容的提问来源于stack exchange，提问作者Tie_24