本文介绍如何在 Pandas 中基于多条件（如 colC > 0 且 colB 属于指定集合）筛选数据，按 colA 分组统计 colB 的唯一值个数，并仅保留计数大于 2 的分组，最终导出对应原始记录。
本文介绍如何在 pandas 中基于多条件（如 `colc > 0` 且 `colb` 属于指定集合）筛选数据，按 `cola` 分组统计 `colb` 的唯一值个数，并仅保留计数大于 2 的分组，最终导出对应原始记录。
在数据分析中，常需结合布尔过滤、分组聚合与后置筛选完成复杂逻辑——例如：仅保留那些在特定条件下（如 colC > 0 且 colB 属于预定义 ID 集合）拥有至少 N 个不同 colB 值的 colA 分组。本教程以实际需求为例，完整演示从条件过滤、分组计数、阈值筛选到结果回溯导出的全流程。
✅ 步骤一：按条件过滤并分组统计唯一值数量
首先定义关键 ID 集合与核心筛选条件：
key_id = {1008, 1051, 1003, 1005, 1072, 1079, 1092, 1093, 1004, 2000}
# 筛选：colC > 0 且 colB 在 key_id 中，提取 colB 列用于分组统计
filtered_series = filtData.loc[
(filtData['colC'] > 0) & (filtData['colB'].isin(key_id)),
'colB'
]
接着按 colA 分组，使用 .agg(UniqueNum='nunique') 统计每组中满足条件的 colB 唯一值个数：
grouped_counts = (
filtered_series
.groupby(filtData['colA']) # 注意：此处 groupby 使用原始 df 的 colA，确保索引对齐
.agg(UniqueNum='nunique')
.reset_index()
)
此时 grouped_counts 包含所有 colA 及其对应满足条件的 colB 唯一数量，但尚未过滤。
✅ 步骤二：筛选唯一数量 > 2 的分组（两种推荐写法）
方法 1：使用 .query()（推荐，语义清晰）
result_df = grouped_counts.query('UniqueNum > 2')
方法 2：使用 .loc + lambda（适合链式操作中嵌入布尔索引）
result_df = grouped_counts.loc[lambda x: x['UniqueNum'] > 2]
两者输出一致：
colA UniqueNum 0 1105904 3 1 1105905 4
⚠️ 注意：.query() 中字段名需为字符串，且不支持变量直接插值（如 @threshold 可用，但此处硬编码更简洁）；而 .loc[lambda ...] 更灵活，便于程序化阈值控制。
✅ 步骤三：获取满足条件的 colA 集合，并回溯原始数据导出 CSV
得到 result_df 后，可快速构建目标 colA 的集合：
valid_colA_set = set(result_df['colA'])
再以此为依据，从原始数据中精确提取全部原始字段（colA, colB, colC），同时复用原有双重条件：
final_mask = (
(filtData['colA'].isin(valid_colA_set)) &
(filtData['colC'] > 0) &
(filtData['colB'].isin(key_id))
)
export_df = filtData.loc[final_mask, ['colA', 'colB', 'colC']].copy()
export_df.to_csv('filtered_output.csv', index=False)
该 export_df 即为最终符合业务逻辑的子集：
- 每条记录的 colA 必属于“在满足 colC>0 且 colB∈key_id 条件下拥有 ≥3 个不同 colB 值”的分组；
- 所有记录本身均满足 colC > 0 和 colB ∈ key_id。
? 总结与最佳实践
- 链式操作优先：将 .query() 或 .loc[lambda] 紧跟在 .agg().reset_index() 后，保持逻辑连贯、代码简洁；
- 避免重复计算：不要在 .loc 中重复写 colC > 0 和 colB.isin(...) 多次，应先过滤再聚合；
- 分组对齐关键：groupby(filtData['colA']) 中必须引用原始 DataFrame 的列（而非已过滤 Series），否则索引错位会导致分组错误；
- 扩展性提示：若需动态阈值（如参数 min_unique=2），建议封装为函数，并用 @ 符号在 .query() 中引用变量（如 .query('UniqueNum > @min_unique')）。
掌握这一模式，即可高效应对“条件过滤 → 分组聚合 → 阈值筛选 → 结果回溯”的典型 Pandas 数据处理闭环。
