如何在Python中高效筛选DataFrame特定行并拆分两个子DataFrame

嗨，我猜你可能笔误啦——看你举的例子，实际是要判断每行的y_cor是否大于前后行的y_cor（第三行的41比前一行17和后一行39都大），而不是x_cor～下面给你一个高效的矢量化解法，完全不用循环，比iloc循环快N倍：

核心思路：用pandas的shift()做矢量化比较 #

pandas的shift()函数可以快速获取前一行/后一行的数据，结合布尔运算生成筛选掩码，这是最符合pandas风格的高效解法，底层是C实现的，处理大数据集时优势特别明显。

完整代码示例 #

首先先把你的数据重建为DataFrame（方便测试）：

import pandas as pd

data = {
    'x_cor': [893.200012, 893.299988, 893.400024, 893.500000, 893.599976, 893.700012,
              893.799988, 893.900024, 894.000000, 894.099976, 894.200012, 894.299988,
              894.400024, 894.500000, 894.599976, 894.700012],
    'y_cor': [1, 17, 41, 39, 40, 36, 2, 13, 44, 43, 74, 88, 78, 132, 180, 178]
}
df = pd.DataFrame(data)

然后生成筛选掩码并拆分DataFrame：

# 生成布尔掩码：当前行y_cor > 前一行y_cor 且 当前行y_cor > 后一行y_cor
# shift(1)是取前一行，shift(-1)是取后一行，首尾行因为没有前后行，会自动返回NaN，布尔比较后为False
mask = (df['y_cor'] > df['y_cor'].shift(1)) & (df['y_cor'] > df['y_cor'].shift(-1))

# 拆分出两个DataFrame
peak_rows = df[mask]  # 满足条件的峰值行
non_peak_rows = df[~mask]  # 不满足条件的行

结果验证 #

运行后peak_rows会包含这几行（都是y_cor的峰值）：

而non_peak_rows则包含剩下的所有行，完全符合你的需求～

这种方法的优势在于：

• 完全避免了Python循环，利用pandas的矢量化操作提升效率，数据量越大越明显
• 代码简洁易读，逻辑清晰，后期维护成本低

内容的提问来源于stack exchange，提问作者maynull