基于条件筛选一一对应pandas Series的方法咨询

嘿，刚好遇到过类似的需求！既然你的两个pandas Series是一一对应的（索引完全对齐），那咱们可以利用pandas的索引和布尔索引特性，轻松实现各种条件下的筛选。下面给你拆解几种常见的场景和具体实现代码：

1. 基于单个Series的条件筛选 #

比如你想保留df1中值不为NaN的所有对应行，同时拿到df2的对应数据，有两种简洁的实现方式：

第一种是先处理df1，再通过索引匹配df2：

# 筛选df1中非NaN的行
filtered_df1 = df1.dropna()
# 利用筛选后的索引获取df2对应数据
filtered_df2 = df2.loc[filtered_df1.index]

第二种是直接用布尔索引，一步到位：

# 创建布尔掩码：df1的值不为NaN
mask = df1.notna()
# 用掩码同时筛选两个Series
filtered_df1 = df1[mask]
filtered_df2 = df2[mask]

2. 基于另一个Series的条件筛选 #

如果你的筛选条件是针对df2的，比如想保留df2中值大于5的行，同时拿到df1的对应数据，逻辑是一样的：

# 创建布尔掩码：df2的值大于5
mask = df2 > 5
# 应用掩码筛选
filtered_df1 = df1[mask]
filtered_df2 = df2[mask]

3. 组合多个条件筛选 #

要是需要同时满足多个条件，比如df1的值不为NaN 且 df2的值小于10，就用逻辑运算符&来组合掩码（注意每个条件要加括号）：

# 组合布尔掩码
mask = df1.notna() & (df2 < 10)
# 筛选两个Series
filtered_df1 = df1[mask]
filtered_df2 = df2[mask]

额外小技巧：合并成DataFrame后筛选 #

如果你觉得分开操作两个Series有点麻烦，可以先把它们合并成一个DataFrame，这样筛选起来更直观，还能直接看到筛选后的数据全貌：

import pandas as pd

# 合并两个Series为DataFrame，列名分别设为df1和df2
combined_df = pd.DataFrame({'df1': df1, 'df2': df2})
# 筛选符合条件的行
filtered_combined = combined_df[combined_df['df1'].notna() & (combined_df['df2'] < 10)]
# 拆分回两个独立的Series
filtered_df1 = filtered_combined['df1']
filtered_df2 = filtered_combined['df2']

这样操作的好处是可以随时查看筛选后的整体数据，方便验证结果是否符合你的预期。

内容的提问来源于stack exchange，提问作者Chi