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。
在数据分析中，常需基于多个字段的组合逻辑进行行过滤。例如，判断学生是否“整体表现良好”，不能仅依赖单科高分，而应要求至少两门运动成绩 ≥4 分。此时，传统用 |（或）连接各列的布尔表达式不再适用——它只检测“任一满足”，而非“至少两个满足”。
Pandas 提供了简洁优雅的向量化解决方案，核心思路是：
- 排除非数值列（如姓名）；
-
对目标列批量执行比较操作（如
>=4），生成布尔矩阵； -
按行求和（
sum(axis=1)），统计每行满足条件的列数； - 再次比较该计数是否 ≥2，得到最终布尔索引。
以下为完整可运行代码：
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)
# 筛选：在 Football、Basketball、Volleyball、Foosball 中，
# 至少有两列的值 >= 4
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
✅ 关键点说明：
-
df.drop(columns=['Names'])安全移除非参与计算的标识列，避免类型错误； -
.ge(4)是>=4的函数式写法，比>=4更易链式调用； -
sum(axis=1)将布尔值（True/False）自动转为1/0求和，无需额外转换； - 整个过程完全向量化，无循环、无
apply()，性能优异，适合大规模数据。
⚠️ 注意事项：
- 若存在缺失值（
NaN），.ge(4)会返回False，可能影响计数。如有需要，建议先用fillna()或dropna()处理； - 列名列表可动态构造（如
score_cols = ['Football','Basketball','Volleyball','Foosball']），再用df[score_cols].ge(4).sum(axis=1) >= 2，提升可维护性； - 此模式可扩展至“至少 N 列满足条件”（只需修改末尾数字，如
>=3）或“所有列均满足”（用.all(axis=1)）。
掌握这一技巧，能显著简化复杂多列逻辑筛选，让 Pandas 数据清洗更精准、更高效。
