如果您已经确定了如何过滤数据框，那么解决方案就很简单：
df[(df.A == 1) & (df.B == 1)]
但是，如果您正在接受用户输入，并且事先不知道用户想要使用多少个条件呢？例如，用户想要筛选列 [A, B, C] == 1 的数据框。是否可以像这样做：
def filterIt(*args, value):
return df[(df.*args == value)]
如果用户调用 filterIt(A, B, C, value=1)，则返回：
df[(df.A == 1) & (df.B == 1) & (df.C == 1)]
df.query()，您可以构建一个包含所有条件的字符串，例如：import pandas as pd
import numpy as np
cols = {}
for col in ('A', 'B', 'C', 'D', 'E'):
cols[col] = np.random.randint(1, 5, 20)
df = pd.DataFrame(cols)
def filter_df(df, filter_cols, value):
conditions = []
for col in filter_cols:
conditions.append('{c} == {v}'.format(c=col, v=value))
query_expr = ' and '.join(conditions)
print('querying with: {q}'.format(q=query_expr))
return df.query(query_expr)
输出示例（由于数据随机生成，您的结果可能会有所不同）：
filter_df(df, ['A', 'B'], 1)
querying with: A == 1 and B == 1
A B C D E
6 1 1 1 2 1
11 1 1 2 3 4
这里有另一种方法。它更清洁，性能更好，并且具有一个优点，即columns可以为空（在这种情况下，整个数据框将被返回）。
def filter(df, value, *columns):
return df.loc[df.loc[:, columns].eq(value).all(axis=1)]
说明
values = df.loc[:, columns] 只选择我们感兴趣的列。masks = values.eq(value) 给出一个布尔数据框，指示与目标值相等。mask = masks.all(axis=1) 对列应用AND（返回索引掩码）。请注意，您可以使用masks.any(axis=1)进行OR运算。return df.loc[mask] 将索引掩码应用于数据框。演示
import numpy as np
import pandas as pd
df = pd.DataFrame(np.random.randint(0, 2, (100, 3)), columns=list('ABC'))
# both columns
assert np.all(filter(df, 1, 'A', 'B') == df[(df.A == 1) & (df.B == 1)])
# no columns
assert np.all(filter(df, 1) == df)
# different values per column
assert np.all(filter(df, [1, 0], 'A', 'B') == df[(df.A == 1) & (df.B == 0)])
备选方案
对于少量列（< 5），以下解决方案基于 steven's answer，比上述方案更具性能，但灵活性较差。原样使用时，它将无法处理空的columns集，并且不能针对每个列使用不同的值。
from operator import and_
def filter(df, value, *columns):
return df.loc[reduce(and_, (df[column] == value for column in columns))]
通过键检索 Series 对象（df[column]）比在列子集周围构建 DataFrame 对象（df.loc[:, columns]）要快得多。
In [4]: %timeit df['A'] == 1
100 loops, best of 3: 17.3 ms per loop
In [5]: %timeit df.loc[:, ['A']] == 1
10 loops, best of 3: 48.6 ms per loop
然而，当处理更多的列时，这种加速变得微不足道。瓶颈变成了将掩码进行AND运算，对于此操作，reduce(and_, ...)比Pandas内置的all(axis=1)要慢得多。
import operator
def filterIt(value,args):
stuff = [getattr(b,thing) == value for thing in args]
return reduce(operator.and_, stuff)
a = {'A':[1,2,3],'B':[2,2,2],'C':[3,2,1]}
b = pd.DataFrame(a)
filterIt(2,['A','B','C'])
0 False
1 True
2 False
dtype: bool
(b.A == 2) & (b.B == 2) & (b.C ==2)
0 False
1 True
2 False
dtype: bool
return reduce(operator.and_, stuff)（而不是 for 循环）。 - Igor Raush感谢大家的帮助。在了解了df.query()之后，我想到了与Marius类似的东西：
def makeQuery(cols, equivalence=True, *args):
operator = ' == ' if equivalence else ' != '
query = ''
for arg in args:
for col in cols:
query = query + "({}{}{})".format(col, operator, arg) + ' & '
return query[:-3]
query = makeQuery([A, B, C], False, 1, 2)
查询的内容是一个字符串：
(A != 1) & (B != 1) & (C != 1) & (A != 2) & (B != 2) & (C != 2)
'&'.join('({}{}{})'.format(col, operator, arg) for col in cols) 可以替换你的内部循环。 - Igor Raush