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)

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)]

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]

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

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)