使用函数过滤pandas数据帧

Question

假设我有一个pandas dataframe df，其中有列A, B, C, D, E, F, G, H，我想使用函数functn过滤数据框，该函数接受一个“row”，并根据行是否满足某些条件返回true或false（假设该函数使用除H之外的所有列）。有没有一种方法可以在没有长而难看的lambda的情况下有效地过滤这个数据帧？到目前为止，我的解决方案如下：

df = df[df.apply(functn, axis=1)]

但这种方法似乎很慢，即使对于15k线的帧也是如此。有没有一种干净有效的方法可以使用用户定义的python函数而不是lambda或查询来过滤pandas数据帧？在

注意：我以前是用普通python2d数组实现的，它比使用pandas要快得多。我是误用了某个功能，还是不知道有什么方法可以让这个过滤过程更快？在

编辑：

数据的结构大致如下：

^{pr2}$

函数的作用如下：

def filter(row):
    var1 = row.G <= 0.01
    partial_a = (((row.D - row.C + 1)*1.0)/global_map[row.A])
    partial_b = (((row.F - row.E + 1)*1.0)/global_map[row.B])
    partial = partial_a >= 0.66 or partial_b >= 0.66
    return var1 and partial

非pandas实现基本上采用dataframe，如果不是pandas形式，则基本上是一个2d数组，并循环遍历每个元素，将函数应用于它（除了参数是一个列表而不是“row”），如果返回true，则将新元素添加到另一个列表中。在

Answer 1

IIUC，你不需要函数。让我们使用布尔索引，如下所示：

cond1 = df['G'] <= 0.01
cond2 = (((df.D - df.C + 1)*1.0)/global_map[df.A]) >= 0.66
cond3 = (((df.F - df.E + 1)*1.0)/global_map[df.B]) >= 0.66

mask = cond1 & (cond2 | cond3)

df[mask]