基于另一DataFrame的Python DataFrame多行列过滤问题求助

我来帮你搞定这个过滤问题！首先得拆解你原代码里的几个核心问题：

• 首先是逻辑运算符优先级的坑：~的优先级比==和&高，你写的~df['angle'] == filter_df['angle']其实是先对df['angle']取反，再和过滤列比较，完全偏离了你想要的“不匹配”逻辑；
• 其次，filter_df[angle]这里少了引号，应该是filter_df['angle']，不然会把angle当成未定义变量报错；
• 最关键的错误：你用isin分别检查单个列，这会保留所有angle在过滤列表或者radius在过滤列表的行，但你要的是angle和radius同时匹配的组合，这完全是两个逻辑！

接下来给你两种靠谱的解决方案，都能精准保留符合条件的行：

方案一：用merge内连接（最直观简洁） #

内连接会自动只保留两个DataFrame中angle和radius完全匹配的行，完美贴合你的需求：

# 基于angle和radius两列做内连接，只保留两边都有的组合
filtered_df = df.merge(filter_df, on=['angle', 'radius'], how='inner')

这个方法的优势是代码极简，而且因为你提到过滤DataFrame没有重复组合，结果里也不会出现额外重复行，之后直接对其他列计算均值即可。

方案二：用布尔索引（适合需要保留原DataFrame索引的场景） #

把两列组合成元组，然后检查是否存在于过滤DataFrame的元组集合中：

# 先把过滤DataFrame的两列转成元组集合，方便快速查找
filter_pairs = set(zip(filter_df['angle'], filter_df['radius']))
# 生成布尔掩码，只保留符合条件的行
mask = df.apply(lambda row: (row['angle'], row['radius']) in filter_pairs, axis=1)
filtered_df = df[mask]

如果你的DataFrame数据量很大，还可以用更高效的写法（避免apply遍历）：

# 用pandas内置方法组合列，效率更高
df['pair'] = df[['angle', 'radius']].apply(tuple, axis=1)
filter_pairs = set(filter_df[['angle', 'radius']].apply(tuple, axis=1))
filtered_df = df[df['pair'].isin(filter_pairs)].drop('pair', axis=1)

最后再提一句：你原代码里的drop用法也不对，drop是按索引或列名删除，而不是直接传布尔掩码（正确写法应该是df.drop(df[~mask].index)），不过上面的两种方案已经完全替代了错误写法，不用纠结这个啦。

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