本文介绍如何使用布尔索引高效筛选 dataframe：保留至少在一列中含 'pc' 的行，或反向删除全都不含 'pc' 的行，重点解决跨多列（如列 0–11）的条件行过滤问题。
在实际数据清洗中，常需基于多列中是否存在某个特定值（如 'PC'）来保留或剔除整行。你提供的数据包含编号为 0 到 11 的 12 列（类型为 object），其中部分单元格值为 'PC'，其余可能为 'False' 或其他字符串。你的目标是：仅保留那些在列 0–11 中至少出现一次 'PC' 的行——换句话说，删除所有在这 12 列中完全不包含 'PC' 的行。
⚠️ 注意：你尝试的几种方法存在典型误区：
- 使用 iterrows() + drop() 在循环中修改 DataFrame 是低效且危险的（可能导致索引错乱或 SettingWithCopyWarning）；
- df[df['column'] == 'PC'] 只能作用于单列，无法跨列逻辑；
- df[colum_pc].apply(..., axis=1) 中 row.values 在 Series 上调用会返回 numpy.ndarray，但 in 检查对数组行为不可靠（应改用 .isin(['PC']).any()）；拼写错误 colum_pc 也会报错。
✅ 正确、高效、向量化的方法是使用 布尔索引 + ne() + all()：
# ✅ 保留「在前12列中至少有一个'PC'」的行（即：删除全都不含'PC'的行）
mask = df.iloc[:, :12].ne('PC').all(axis=1) # → True 表示该行在所有12列中都 ≠ 'PC'
df_filtered = df[~mask].reset_index(drop=True)等价地，更直观的写法（推荐初学者理解）：
# ✅ 更清晰的逻辑：检查每行在0-11列中是否有至少一个'PC'
has_pc = df.iloc[:, :12].eq('PC').any(axis=1) # any() → True if at least one 'PC' exists
df_filtered = df[has_pc].reset_index(drop=True)? 原理解析：
- df.iloc[:, :12]：按位置选取全部行、前 12 列（即列 0 至 11）；
- .eq('PC')：生成布尔 DataFrame，值为 True 当且仅当对应单元格等于 'PC'；
- .any(axis=1)：对每行判断——只要该行任一列为 True，结果即为 True；
- 最终布尔序列用于索引，df[has_pc] 即完成精准行过滤。
? 补充说明：
- 若列名非数字（如 'col_0', 'platform_1'），请改用列名列表：df[['col_0','col_1',..., 'col_11']].eq('PC').any(axis=1)；
- 若 'PC' 可能混有空格或大小写（如 'pc', ' Pc '），建议先标准化：df.iloc[:, :12].apply(lambda x: x.str.strip().str.upper()).eq('PC')；
- 对于超大表（如你数据的 51 万行），此向量化操作比 iterrows 快数十倍，且内存友好。
执行后，df_filtered 即为你所需的、已剔除“全无 'PC'”行的精简数据集，并自动重置了连续整数索引。
