本文介绍如何基于条件（如某列值等于特定字符串）对pandas dataframe进行行过滤，并可选地删除指定列，从而生成新的dataframe。
本文介绍如何基于条件（如某列值等于特定字符串）对pandas dataframe进行行过滤，并可选地删除指定列，从而生成新的dataframe。
在数据分析中，经常需要从原始数据集中提取满足特定条件的子集。以Pandas为例，最常用且高效的方式是布尔索引（Boolean Indexing）。例如，若需从 df1 中筛选出 "purpose" 列值为 "house" 的所有行，并将结果保存为新DataFrame df2，同时移除 "purpose" 列（因该列已作为筛选依据，后续分析可能不再需要），可使用如下一行代码：
df2 = df1[df1["purpose"] == "house"].drop("purpose", axis=1)✅ 代码说明：
- df1["purpose"] == "house" 生成一个布尔Series，长度与 df1 行数一致，对应位置为 True 表示该行 "purpose" 值为 "house"；
- df1[...] 利用该布尔Series进行行筛选，返回符合条件的子DataFrame；
- .drop("purpose", axis=1) 沿列方向（axis=1）删除 "purpose" 列，得到精简后的 df2。
⚠️ 注意事项：
- 若 "purpose" 列存在缺失值（NaN），== "house" 会返回 False（而非 NaN），因此含 NaN 的行默认被排除；如需显式保留/处理缺失值，应使用 pd.isna() 或 fillna() 配合逻辑运算；
- 列名需严格匹配（区分大小写），建议先用 df1.columns.tolist() 确认列名拼写；
- 若仅需筛选不删列，直接写 df2 = df1[df1["purpose"] == "house"] 即可；
- 对于多条件筛选（如 "purpose" == "house" 且 "loan_amnt" > 10000），可用 &（注意括号包裹每个条件）：
df2 = df1[(df1["purpose"] == "house") & (df1["loan_amnt"] > 10000)].drop("purpose", axis=1)
掌握布尔索引是Pandas数据清洗与子集构建的核心技能，简洁、可读性强，且性能优异——推荐优先使用，避免 query() 或 loc 等等效但稍重的方法，除非表达式复杂或需动态变量注入。
