本文介绍使用 pandas 对 dataframe 进行多列联合条件筛选的高效方法：仅保留至少在两个数值列中满足指定阈值（如 ≥4）的行，适用于学生成绩、多维度评分等场景。
本文介绍使用 pandas 对 dataframe 进行多列联合条件筛选的高效方法：仅保留至少在两个数值列中满足指定阈值（如 ≥4）的行，适用于学生成绩、多维度评分等场景。
在实际数据分析中，我们常需基于跨列逻辑进行筛选——例如“学生在任意两门体育课中成绩 ≥4 才视为通过”。这不同于单列或全列条件，也无法直接用多个 |（或）简单拼接。核心思路是：将目标数值列统一与阈值比较，逐行统计达标列数，再按计数过滤。
以下以学生体育成绩为例，完整演示实现过程：
import pandas as pd
Students = {
"Names": ["Tom", "Rick", "Sally", "Sarah"],
"Football": [4, 5, 2, 1],
"Basketball": [4, 2, 4, 2],
"Volleyball": [6, 1, 6, 1],
"Foosball": [4, 3, 4, 3],
}
df = pd.DataFrame(Students)✅ 关键步骤解析：
-
排除非数值列（如姓名）：使用
.drop(columns=['Names'])移除标识性列，确保只对成绩列运算； -
批量条件判断：
.ge(4)对所有剩余列执行“≥4”比较，返回布尔 DataFrame； -
逐行计数：
.sum(axis=1)将每行的True（即达标列）求和，得到每名学生达标科目数； -
二次布尔筛选：
.ge(2)判断达标数是否 ≥2，生成最终布尔索引。
一行代码即可完成全部逻辑：
passed_students = df[df.drop(columns=['Names']).ge(4).sum(axis=1) >= 2] print(passed_students)
输出结果：
Names Football Basketball Volleyball Foosball 0 Tom 4 4 6 4 2 Sally 2 4 6 4
? 中间过程可视化（便于调试）：
- 布尔矩阵（达标为
True）：Football Basketball Volleyball Foosball 0 True True True True # → 4科达标 1 True False False False # → 1科达标 2 False True True True # → 3科达标 3 False False False False # → 0科达标
- 每行达标数：
[4, 1, 3, 0] - 最终筛选条件：
[True, False, True, False]
⚠️ 注意事项：
- 若存在缺失值（
NaN），.ge(4)会返回False，不影响计数；如需特殊处理，建议先用.fillna()； - 列名列表可动态生成（如
score_cols = df.select_dtypes('number').columns.drop('Names')），提升代码可维护性； - 替换
ge(4)为gt(3)效果相同，但语义上ge更直观表达“≥”； - 此方法时间复杂度为 O(m×n)，远优于嵌套循环，在万级数据下依然高效。
该模式可轻松扩展至“任意 N 列满足条件”（只需修改末尾的 >= N），是 Pandas 多列逻辑筛选的标准化实践方案。
