Pandas 多列條件篩選：從基礎(chǔ)語(yǔ)法到實(shí)戰(zhàn)應(yīng)用

在數(shù)據(jù)分析工作中，基于多列條件篩選數(shù)據(jù)是高頻需求。無(wú)論是提取滿足特定業(yè)務(wù)規(guī)則的樣本，還是清洗異常數(shù)據(jù)，Pandas 都提供了靈活高效的多條件處理機(jī)制。本文將系統(tǒng)梳理多列條件篩選的語(yǔ)法規(guī)則、進(jìn)階技巧與實(shí)戰(zhàn)案例，幫助數(shù)據(jù)從業(yè)者掌握精準(zhǔn)數(shù)據(jù)提取的核心能力。

一、多列條件篩選的核心價(jià)值

多列條件篩選本質(zhì)是通過(guò)組合多個(gè)字段的邏輯規(guī)則，從 DataFrame 中提取目標(biāo)子集。在實(shí)際業(yè)務(wù)中，這種操作無(wú)處不在：電商場(chǎng)景中篩選 “價(jià)格> 500 元且銷量 > 1000 件” 的商品，金融領(lǐng)域識(shí)別 “風(fēng)險(xiǎn)等級(jí)為高且逾期天數(shù) > 30 天” 的客戶，游戲數(shù)據(jù)分析中定位 “等級(jí) > 50 級(jí)但近 7 日未登錄” 的流失高價(jià)值用戶。相比單條件篩選，多列條件能更精準(zhǔn)地鎖定業(yè)務(wù)目標(biāo)，為決策提供更聚焦的數(shù)據(jù)支撐。

二、基礎(chǔ)語(yǔ)法：邏輯運(yùn)算符與條件組合

Pandas 中多列條件篩選的核心是通過(guò)布爾索引實(shí)現(xiàn)，需掌握三大邏輯運(yùn)算符的正確使用：

1. 邏輯與（&）：同時(shí)滿足多個(gè)條件

當(dāng)需要篩選同時(shí)滿足列 A 條件和列 B 條件的記錄時(shí)，使用&連接，且每個(gè)條件需用括號(hào)包裹（避免運(yùn)算符優(yōu)先級(jí)沖突）。

import pandas as pd

# 示例數(shù)據(jù)：游戲用戶信息

data = {

  'user_id': [101, 102, 103, 104],

  'level': [45, 60, 30, 55],

  'last_login_days': [3, 15, 7, 20],

  'pay_total': [500, 1200, 80, 800]

}

df = pd.DataFrame(data)

# 篩選：等級(jí)>50且近15天未登錄（last_login_days>15）的用戶

condition = (df['level'] > 50) & (df['last_login_days'] > 15)

result = df[condition]

2. 邏輯或（|）：滿足任一條件

當(dāng)需要篩選滿足列 A 條件或列 B 條件的記錄時(shí)，使用|連接，同樣需注意括號(hào)包裹。

# 篩選：累計(jì)付費(fèi)>1000元 或 等級(jí)>50級(jí)的用戶

condition = (df['pay_total'] > 1000) | (df['level'] > 50)

result = df[condition]

3. 邏輯非（~）：排除滿足條件的記錄

用于篩選不滿足某條件的記錄，常與&/|組合使用。

# 篩選：等級(jí)<=50級(jí)且非沉默用戶（last_login_days<=7）

condition = (df['level'] <= 50) & ~(df['last_login_days'] > 7)

result = df[condition]

三、進(jìn)階技巧：復(fù)雜條件的高效處理

對(duì)于包含多個(gè)字段、多層邏輯的復(fù)雜條件，需結(jié)合 Pandas 的高級(jí)方法提升可讀性與效率。

1. query () 方法：類 SQL 語(yǔ)法的條件篩選

當(dāng)條件涉及多列且邏輯復(fù)雜時(shí)，query()方法支持字符串形式的條件表達(dá)式，語(yǔ)法更接近自然語(yǔ)言。

# 篩選：等級(jí)在50-60之間，且累計(jì)付費(fèi)>800元，且近15天內(nèi)登錄的用戶

result = df.query("50 <= level <= 60 & pay_total > 800 & last_login_days <= 15")

2. 函數(shù)式篩選：動(dòng)態(tài)生成條件

對(duì)于需要?jiǎng)討B(tài)計(jì)算的條件（如基于列間關(guān)系的規(guī)則），可使用apply()結(jié)合自定義函數(shù)實(shí)現(xiàn)。

# 定義條件函數(shù)：高價(jià)值活躍用戶（付費(fèi)率=總付費(fèi)/等級(jí)>20，且登錄間隔<10天）

def is_high_value(row):

  pay_rate = row['pay_total'] / row['level']

  return pay_rate > 20 and row['last_login_days'] < 10

# 應(yīng)用函數(shù)篩選

result = df[df.apply(is_high_value, axis=1)]

3. 包含性條件：isin () 與多值匹配

當(dāng)某列需匹配多個(gè)離散值時(shí)，isin()比多個(gè)==+|的組合更簡(jiǎn)潔。

# 篩選：用戶等級(jí)為30、45、60級(jí)，且累計(jì)付費(fèi)>100的記錄

condition = df['level'].isin([30, 45, 60]) & (df['pay_total'] > 100)

result = df[condition]

四、實(shí)戰(zhàn)案例：游戲運(yùn)營(yíng)數(shù)據(jù)的多條件分析

以某手游運(yùn)營(yíng)數(shù)據(jù)為例，展示多列條件在實(shí)際業(yè)務(wù)中的應(yīng)用流程：

業(yè)務(wù)目標(biāo)：篩選出 “可挽回的高價(jià)值流失用戶”，定義為：

• 等級(jí)≥50 級(jí)（高等級(jí)）

• 累計(jì)付費(fèi)≥1000 元（高價(jià)值）

• 最后登錄天數(shù)在 15-30 天之間（近期流失）

• 歷史登錄天數(shù)≥100 天（深度用戶）

# 加載數(shù)據(jù)

運(yùn)營(yíng)數(shù)據(jù) = pd.read_csv("game_operation.csv")

# 組合多列條件

條件 = (

  (運(yùn)營(yíng)數(shù)據(jù)['等級(jí)'] >= 50) &

  (運(yùn)營(yíng)數(shù)據(jù)['累計(jì)付費(fèi)'] >= 1000) &

  (運(yùn)營(yíng)數(shù)據(jù)['最后登錄天數(shù)'].between(15, 30)) &  # between()簡(jiǎn)化范圍判斷

  (運(yùn)營(yíng)數(shù)據(jù)['歷史登錄天數(shù)'] >= 100)

)

# 提取目標(biāo)用戶并添加標(biāo)簽

可挽回用戶 = 運(yùn)營(yíng)數(shù)據(jù)[條件].copy()

可挽回用戶['用戶標(biāo)簽'] = '可挽回高價(jià)值流失用戶'

通過(guò)該篩選，運(yùn)營(yíng)團(tuán)隊(duì)可針對(duì)這類用戶推送專屬召回禮包，精準(zhǔn)提升回流率。

五、常見(jiàn)問(wèn)題與避坑指南

1. 運(yùn)算符優(yōu)先級(jí)陷阱：忘記用括號(hào)分隔條件會(huì)導(dǎo)致邏輯錯(cuò)誤，例如df['a'] > 1 & df['b'] < 5會(huì)被解析為df['a'] > (1 & df['b']) < 5，必須寫成(df['a'] > 1) & (df['b'] < 5)。

2. 數(shù)據(jù)類型沖突：當(dāng)列包含缺失值或非數(shù)值類型時(shí)，條件判斷可能返回NaN，需先用dropna()或fillna()處理，例如df[df['金額'].notna() & (df['金額'] > 0)]。

3. 大規(guī)模數(shù)據(jù)效率：對(duì)百萬(wàn)級(jí)以上數(shù)據(jù)，query()和布爾索引效率優(yōu)于apply()，建議優(yōu)先選擇向量化操作。

4. 條件復(fù)用：復(fù)雜條件建議用變量存儲(chǔ)，避免重復(fù)編寫，例如high_value = df['付費(fèi)'] > 1000，后續(xù)可直接調(diào)用high_value & other_condition。

結(jié)語(yǔ)

多列條件篩選是 Pandas 數(shù)據(jù)處理的核心技能，其本質(zhì)是將業(yè)務(wù)規(guī)則轉(zhuǎn)化為可執(zhí)行的邏輯表達(dá)式。從基礎(chǔ)的&/|組合到進(jìn)階的query()與函數(shù)式篩選，選擇合適的方法既能保證代碼的可讀性，又能提升數(shù)據(jù)處理效率。在實(shí)際應(yīng)用中，需結(jié)合業(yè)務(wù)場(chǎng)景靈活設(shè)計(jì)條件，同時(shí)注意語(yǔ)法細(xì)節(jié)與性能優(yōu)化，讓數(shù)據(jù)篩選成為驅(qū)動(dòng)業(yè)務(wù)決策的精準(zhǔn)工具。

學(xué)習(xí)入口：https://edu.cda.cn/goods/show/3814?targetId=6587&preview=0

推薦學(xué)習(xí)書籍 《CDA一級(jí)教材》適合CDA一級(jí)考生備考，也適合業(yè)務(wù)及數(shù)據(jù)分析崗位的從業(yè)者提升自我。完整電子版已上線CDA網(wǎng)校，累計(jì)已有10萬(wàn)+在讀~ !

免費(fèi)加入閱讀：https://edu.cda.cn/goods/show/3151?targetId=5147&preview=0