1. Pandas多列条件提取的基本思路
1.1 多列条件的布尔组合
在数据分析工作中，多列条件的布尔组合是最常见的筛选手段之一。通过将不同字段的条件使用逻辑运算符组合，能在一个步骤内从 DataFrame 中提取出目标子集。
为确保可读性与正确性，需要对每个条件加上括号，避免运算优先级导致的结果偏差。这也是写出可维护筛选逻辑的关键要素。
下面给出一个简单示例，假设 df 具有列 A、B、C，筛选 A 大于 10 且 B 等于 'X' 的记录：
result = df[(df['A'] > 10) & (df['B'] == 'X')]1.2 处理缺失值与数据类型
在实际数据中，缺失值的处理是多列条件提取的重要前置步骤。对数字列可以继续使用比较运算，而对字符串列要考虑大小写和空字符串的区别。
为避免因 NaN 引发的布尔运算异常，可以使用 isna / notna、fillna 等方法先进行清洗或在条件中显式处理。
如下示例展示了在筛选时同时排除缺失值并应用多列条件：
result = df[(df['A'] > 10) & df['B'].notna() & (df['C'] == 'Yes')]2. 常用方法与技巧
2.1 使用布尔索引快速筛选
布尔索引是 Pandas 中最直接的筛选方式，也是高性能的向量化实现。通过对列进行逐元素比较，可以在整张表上并行执行筛选操作。
在实际应用中，组合条件时应保持表达式简洁易懂，尽量避免在循环中逐行处理，以提升性能和可维护性。
示例展示了如何在一行中完成多列条件的筛选，并同时选择需要的列：
selected = df.loc[(df['A'] > 5) & (df['D'].notna()), ['A', 'D', 'E']]2.2 使用 query 函数进行条件筛选
Pandas 的 query 函数提供了一种更接近 SQL 的表达方式，便于编写和阅读复杂条件。它对字符串表达式进行解析，内部自动对布尔运算进行向量化处理。
在使用 query 时，可以直接写出条件字符串，必要时通过 @ 变量 引入外部变量，提升灵活性。
下面给出等价于上例的 query 写法：
selected = df.query("A > 5 and D.notna()")[['A', 'D', 'E']]3. 实战示例：从数据集中筛选出符合多字段条件的记录
3.1 示例数据准备
在实际分析中，通常需要先构造一个与业务场景相符的样例数据集，以验证多字段筛选的正确性。
将数据结构化成 DataFrame 后，可以立即对多字段组合进行筛选并观察结果分布，这也是数据分析师的常用工作流程。
以下代码演示如何创建一个包含多列的简单数据集：
import pandas as pd
data = {'A': [4, 12, 7, 15, 9],'B': ['X', 'Y', 'X', None, 'X'],'C': [True, False, True, True, None],'D': [None, 2.5, 3.0, 4.0, 5.0]
}
df = pd.DataFrame(data)3.2 组合条件筛选代码
在实际业务场景中，往往需要同时满足多列条件。下面给出等效于上面的多条件筛选的多种写法，方便在不同场景切换。
第一种方式使用布尔索引：
result1 = df[(df['A'] > 5) & (df['B'] == 'X') & df['C'].fillna(False)]第二种方式使用 query 函数，语义更清晰，便于维护：
result2 = df.query("A > 5 and B == 'X' and C == True")4. 高级技巧与注意事项
4.1 性能与向量化
在处理大规模数据时，优先使用向量化操作而非逐行循环，这能显著提升筛选的吞吐量。
将条件写成单行表达式，并尽量避免在条件中使用 Python 循环或复杂的自定义函数。
下面的示例展示了如何利用向量化特性实现多列筛选：
# 大规模 DataFrame 的高效筛选示例
result = df[(df['A'] > 100) & (df['D'] >= 1.0) & (df['B'].isin(['X', 'Y']))]4.2 跨列逻辑与括号优先级
在构造多列条件时，括号的使用关系到最终结果的正确性。优先级明确的括号能避免逻辑错误，尤其是在包含多个与或或非运算的场景中。
一个实用的规则是：将相同字段的条件放在一起，分组使用括号，并对不同字段的条件使用独立的括号进行分组。
下面给出一个综合性的示例，展示如何同时处理空值、布尔和数值条件：
df_filtered = df[(df['A'] > 0) & (df['D'].notna()) & ((df['B'] == 'X') | (df['B'] == 'Y'))]