如何在DataFrame中保留quantity列非零值？现有写法是否正确？

嘿，你的写法是不正确的，咱们先拆解下问题出在哪，再给你几个更靠谱的实现方式：

为什么你的写法不对？ #

你写的df[quantity] = df[quantity > 0]存在两个核心问题：

1. 如果quantity是列名，必须用引号包裹（比如df['quantity']），否则Python会把它当成一个未定义的变量，直接报错；
2. 这个代码的逻辑是给quantity列赋值，而不是删除行——你试图把布尔索引后的结果塞回quantity列，这会导致列中出现大量NaN值，完全不符合你删除整行的需求。

正确且更优的实现方式 #

1. 布尔索引筛选（最常用） #

这是Python数据分析中最经典的筛选方式，简洁直观：

# 筛选出quantity>0的行，重新赋值给df
df = df[df['quantity'] > 0]

如果不想覆盖原DataFrame，可以赋值给新变量，比如filtered_df = df[df['quantity'] > 0]。

2. 使用query()方法（可读性更强） #

当筛选条件复杂时，query()的语法更接近自然语言，维护起来更轻松：

df = df.query('quantity > 0')

如果需要在原DataFrame上直接修改（不创建新对象），可以加上inplace=True参数（不过不推荐过度使用，会破坏原数据备份）：

df.query('quantity > 0', inplace=True)

3. 结合drop()删除指定行（适合需要保留原索引场景） #

先定位值为0的行的索引，再批量删除：

# 获取所有quantity=0的行的索引
zero_quantity_rows = df[df['quantity'] == 0].index
# 删除这些行
df = df.drop(zero_quantity_rows)

这种方式步骤稍多，但适合需要明确操作索引的场景。

补充：处理缺失值的情况 #

如果你的quantity列存在NaN值，上面的方法会自动把NaN行也筛掉（因为NaN > 0会返回False）。如果想保留NaN行，可以调整筛选条件：

df = df[(df['quantity'] > 0) | df['quantity'].isna()]

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