本文介绍一种简洁高效的方法，使用pandas的`replace`与`nunique`组合，快速识别在特定列中（排除0后）包含超过1个不同非零值的数据行。
在数据分析中，常需检测某几列是否“一致”——例如多列编码字段本应相同或为0，若出现多个非零且互异的值，则可能表示异常或特殊逻辑分支。原始实现通过apply(pd.unique)配合复杂lambda判断，不仅可读性差、性能低，还易出错。
更优解是利用pandas内置的统计能力：将0替换为NaN（自然被nunique忽略），再按行计算非空唯一值数量。nunique(axis=1)默认自动跳过NaN，因此只需一步即可完成“排除0后统计不同非零值个数”的核心逻辑。
以下是完整示例代码：
import pandas as pd
df = pd.DataFrame({
'id': [1, 2, 3, 4],
'col_A': [1, 1, 1, 0],
'col_B': [2, 1, 0, 2],
'col_C': [3, 1, 0, 3],
'col_D': [4, 1, 1, 4],
'col_E': [5, 1, 1, 5]
})
# 筛选 col_ 开头的列，将0替换为NaN，按行统计非空唯一值数量 > 1 的行
mask = df.filter(like='col_').replace(0, float('nan')).nunique(axis=1) > 1
result = df[mask].copy()
print(result)输出：
id col_A col_B col_C col_D col_E 0 1 1 2 3 4 5 3 4 0 2 3 4 5
✅ 关键优势：
- 语义清晰：replace(0, NaN) + nunique() 直观表达“忽略零值后统计不同值”；
- 性能优异：避免逐行apply，全程向量化操作；
- 健壮性强：nunique天然处理NaN，无需额外条件判断；
- 灵活可扩展：只需修改filter()条件（如filter(regex=r'^code_')）即可适配任意列名模式。
⚠️ 注意事项：
- 若数据中已存在真实NaN，需先明确其业务含义——本方法会将其与0一并排除在计数外；
- float('nan')可简写为np.nan（需导入import numpy as np），效果一致；
- 如需保留原始列不变，建议对筛选结果使用.copy()避免链式赋值警告。
该方法体现了pandas“用原生操作替代手动循环”的最佳实践，推荐作为类似场景的标准解决方案。
