本文介绍如何在 pandas 中简洁、高效地统计指定多列中大于 0 的列数量，并仅保留该计数值大于 1 的行，避免冗余中间列和多步操作。
本文介绍如何在 pandas 中简洁、高效地统计指定多列中大于 0 的列数量，并仅保留该计数值大于 1 的行，避免冗余中间列和多步操作。
在数据清洗与条件筛选任务中，常需判断某一行中多个目标列有多少个满足特定条件（如 > 0），再基于该“满足条件的列数”进行过滤。例如，对 colB、colC、colD、colE 四列，统计每行中值大于 0 的列个数，仅保留个数 > 1 的行——这无需创建临时计数列、也不必分三步处理，一行布尔索引即可优雅实现。
核心思路是：
- 按列名列表选取目标列：df[['colB','colC','colD','colE']]；
- 逐元素比较生成布尔矩阵：.gt(0) 或 > 0，结果为 True/False DataFrame；
- 按行求和（axis=1）：每个 True 被当作 1 计入，即得每行满足条件的列数；
- 二次布尔索引：.sum(axis=1) > 1 生成长度匹配的布尔 Series，直接用于行过滤。
✅ 推荐写法（清晰、可读性强）：
filtered_df = df[(df[['colB', 'colC', 'colD', 'colE']] > 0).sum(axis=1) > 1]
✅ 等价写法（显式调用方法，语义更明确）：
filtered_df = df[df[['colB', 'colC', 'colD', 'colE']].gt(0).sum(axis=1) > 1]
以原始数据为例：
import pandas as pd
df = pd.DataFrame({
'colA': [1105, 1106, 1107, 1110, 1019, 1267],
'colB': [0.00, 3.00, 0.50, 0.00, 9.00, 0.00],
'colC': [867, 3.22, 0.00, 23.00, 0.00, 0.00],
'colD': [3.4, 1.00, 0.00, 0.00, 2.00, 0.00],
'colE': [0.00, 3.00, 1.00, 0.00, 0.00, 2.00],
'colF': ['text1', 'text2', 'text3', 'text4', 'text5', 'text6']
})
执行后输出：
colA colB colC colD colE colF 0 1105 0.0 867.00 3.4 0.0 text1 1 1106 3.0 3.22 1.0 3.0 text2 2 1107 0.5 0.00 0.0 1.0 text3 4 1019 9.0 0.00 2.0 0.0 text5
? 关键中间步骤解析（便于调试与理解）：
- df[['colB','colC','colD','colE']] > 0 → 返回布尔 DataFrame；
- .sum(axis=1) → 每行 True 计数，得到 pd.Series([2,4,2,1,2,1])；
- > 1 → 转为布尔索引 [True,True,True,False,True,False]。
⚠️ 注意事项：
- sum() 在布尔型 DataFrame/Series 上默认将 True→1, False→0，无需额外转换；
- axis=1 表示跨列求和（即按行汇总），切勿遗漏或误写为 axis=0；
- 此方法天然支持任意数量的目标列，扩展性极强（如新增 colG 只需加入列名列表）；
- 若需统计 >= 0、!= 0 或其他条件，仅需替换 > 0 为对应表达式（如 != 0 或 ge(0)）。
该方案兼具简洁性、性能与可维护性，是 Pandas 布尔索引与向量化运算的典型实践，推荐作为多列条件计数筛选的标准写法。
