当你做len(df['列名'])时，你只得到一个数字，即DataFrame中的行数(即列本身的长度)。如果你想对列中的每个元素应用len，使用df['列名'].map(len)。所以尝试

df[df['column name'].map(len) < 2]

为了直接回答这个问题的原始标题“如何根据条件表达式从pandas DataFrame中删除行”(我理解这不一定是OP的问题，但可以帮助其他用户遇到这个问题)，一种方法是使用drop方法:

df = df.drop(some labels)
df = df.drop(df[<some boolean condition>].index)

例子

删除列'score' < 50的所有行:

df = df.drop(df[df.score < 50].index)

就地版本(如评论中所指出)

df.drop(df[df.score < 50].index, inplace=True)

多个条件

(见布尔索引)

操作符为:|表示或，&表示与，~表示非。这些一定是 用圆括号分组。

删除列“score”< 50且> < 20的所有行

df = df.drop(df[(df.score < 50) & (df.score > 20)].index)

你可以将DataFrame分配给它自己的一个过滤版本:

df = df[df.score > 50]

这比drop更快:

%%timeit
test = pd.DataFrame({'x': np.random.randn(int(1e6))})
test = test[test.x < 0]
# 54.5 ms ± 2.02 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)

%%timeit
test = pd.DataFrame({'x': np.random.randn(int(1e6))})
test.drop(test[test.x > 0].index, inplace=True)
# 201 ms ± 17.9 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)

%%timeit
test = pd.DataFrame({'x': np.random.randn(int(1e6))})
test = test.drop(test[test.x > 0].index)
# 194 ms ± 7.03 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)

在pandas中，你可以对你的边界执行str.len，并使用布尔结果来过滤它。

df[df['column name'].str.len().lt(2)]

如果你想要根据列值上的一些复杂条件来删除数据帧的行，那么按照上面所示的方式来写会很复杂。我有以下简单的解决方案，它总是有效的。让我们假设你想要删除带有“header”的列，所以先在列表中获取该列。

text_data = df['name'].tolist()

现在对列表中的每个元素应用一些函数，并将其放入一个熊猫系列:

text_length = pd.Series([func(t) for t in text_data])

对我来说，我只是想知道代币的数量:

text_length = pd.Series([len(t.split()) for t in text_data])

现在在数据帧中添加一个以上系列的额外列:

df = df.assign(text_length = text_length .values)

现在我们可以在新列上应用条件，比如:

df = df[df.text_length  >  10]

def pass_filter(df, label, length, pass_type):

    text_data = df[label].tolist()

    text_length = pd.Series([len(t.split()) for t in text_data])

    df = df.assign(text_length = text_length .values)

    if pass_type == 'high':
        df = df[df.text_length  >  length]

    if pass_type == 'low':
        df = df[df.text_length  <  length]

    df = df.drop(columns=['text_length'])

    return df

我将扩展@User的通用解决方案，以提供一个免费的替代方案。这是为那些根据问题标题(不是OP的问题)被引导到这里的人准备的。

假设您想删除所有带负值的行。一个内线解决方案是:-

df = df[(df > 0).all(axis=1)]

说明:——

让我们生成一个5x5随机正态分布数据帧

np.random.seed(0)
df = pd.DataFrame(np.random.randn(5,5), columns=list('ABCDE'))
      A         B         C         D         E
0  1.764052  0.400157  0.978738  2.240893  1.867558
1 -0.977278  0.950088 -0.151357 -0.103219  0.410599
2  0.144044  1.454274  0.761038  0.121675  0.443863
3  0.333674  1.494079 -0.205158  0.313068 -0.854096
4 -2.552990  0.653619  0.864436 -0.742165  2.269755

以删除否定为条件。满足条件的布尔df:-

df > 0
      A     B      C      D      E
0   True  True   True   True   True
1  False  True  False  False   True
2   True  True   True   True   True
3   True  True  False   True  False
4  False  True   True  False   True

注意，如果行中任何元素不满足条件，则行被标记为false

(df > 0).all(axis=1)
0     True
1    False
2     True
3    False
4    False
dtype: bool

最后根据条件从数据帧中过滤出行

df[(df > 0).all(axis=1)]
      A         B         C         D         E
0  1.764052  0.400157  0.978738  2.240893  1.867558
2  0.144044  1.454274  0.761038  0.121675  0.443863

你可以把它赋值给df来实际删除和过滤 Df = Df [(Df > 0).all(轴=1)]

这可以很容易地扩展到过滤包含NaN(非数字条目)的行:- Df = Df [(~ Df .isnull())).all(轴=1)]

这也可以简化为以下情况:删除列E为负的所有行

df = df[(df.E>0)]

我想以一些分析数据来结束，为什么@User的drop solution比基于原始列的过滤要慢:-

%timeit df_new = df[(df.E>0)]
345 µs ± 10.5 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)
%timeit dft.drop(dft[dft.E < 0].index, inplace=True)
890 µs ± 94.9 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)

列基本上是一个系列，即NumPy数组，它可以没有任何代价被索引。对于那些对底层内存组织如何影响执行速度感兴趣的人来说，这里有一个关于加速Pandas的链接: