pandas中的大多数操作都可以通过操作符链接(groupby、聚合、应用等)来完成，但我发现过滤行的唯一方法是通过普通的括号索引
df_filtered = df[df['column'] == value]
这是没有吸引力的，因为它要求我分配df到一个变量，然后才能过滤它的值。还有像下面这样的吗?
df_filtered = df.mask(lambda x: x['column'] == value)
当前回答
我的答案和其他人的相似。如果您不想创建一个新函数，您可以使用pandas已经为您定义的函数。使用管道法。
df.pipe(lambda d: d[d['column'] == value])
其他回答
我不完全确定你想要什么，你的最后一行代码也没有帮助，但无论如何:
“链式”过滤是通过将布尔索引中的条件“链式”进行的。
In [96]: df
Out[96]:
A B C D
a 1 4 9 1
b 4 5 0 2
c 5 5 1 0
d 1 3 9 6
In [99]: df[(df.A == 1) & (df.D == 6)]
Out[99]:
A B C D
d 1 3 9 6
如果你想要链接方法，你可以添加你自己的掩码方法并使用它。
In [90]: def mask(df, key, value):
....: return df[df[key] == value]
....:
In [92]: pandas.DataFrame.mask = mask
In [93]: df = pandas.DataFrame(np.random.randint(0, 10, (4,4)), index=list('abcd'), columns=list('ABCD'))
In [95]: df.ix['d','A'] = df.ix['a', 'A']
In [96]: df
Out[96]:
A B C D
a 1 4 9 1
b 4 5 0 2
c 5 5 1 0
d 1 3 9 6
In [97]: df.mask('A', 1)
Out[97]:
A B C D
a 1 4 9 1
d 1 3 9 6
In [98]: df.mask('A', 1).mask('D', 6)
Out[98]:
A B C D
d 1 3 9 6
我的答案和其他人的相似。如果您不想创建一个新函数，您可以使用pandas已经为您定义的函数。使用管道法。
df.pipe(lambda d: d[d['column'] == value])
只是想添加一个演示，使用loc不仅按行过滤，还按列过滤，以及链式操作的一些优点。
下面的代码可以按值筛选行。
df_filtered = df.loc[df['column'] == value]
通过稍微修改它，您还可以过滤列。
df_filtered = df.loc[df['column'] == value, ['year', 'column']]
为什么我们需要链式方法呢?答案是，如果您有很多操作，那么读取它就很简单。例如,
res = df\
.loc[df['station']=='USA', ['TEMP', 'RF']]\
.groupby('year')\
.agg(np.nanmean)
所以我的看法是，在对数据进行细分以备分析时，你要做两件事。
就行 获得列
Pandas有很多方法来实现这些，还有一些技术可以帮助获取行和列。对于熊猫的新用户来说，选择太多了，可能会感到困惑。
你使用iloc, loc，括号，查询，isin, np。在哪里，面具等等…
方法链接
方法链接是处理数据争执的好方法。在R中，它们有一种简单的方法来做到这一点，你选择()列和过滤()行。
因此，如果我们想在Pandas中保持简单，为什么不对列使用filter()，对行使用query()呢?它们都返回数据框架，所以不需要在布尔索引上添乱，不需要在返回值周围添加df[]。
那它看起来像什么呢? -
df.filter(['col1', 'col2', 'col3']).query("col1 == 'sometext'")
然后你可以链上任何其他方法，如groupby, dropna()， sort_values()， reset_index()等。
通过保持一致并使用filter()来获取列，使用query()来获取行，当一段时间后回到代码时，将更容易阅读您的代码。
但是过滤器可以选择行吗?
是的，这是真的，但默认情况下query()获取行和filter()获取列。因此，如果您坚持使用默认值，则不需要使用axis=参数。
查询()
Query()可以同时使用和/或&/|，你也可以使用比较运算符>，<，>=，<=，==，!=。你也可以使用Python in，而不是in。
您可以使用@my_list将一个列表传递给查询
一些使用查询获取行的示例
df.query('A > B')
df.query('a not in b')
df.query("series == '2206'")
df.query("col1 == @mylist")
df.query('Salary_in_1000 >= 100 & Age < 60 & FT_Team.str.startswith("S").values')
filter ()
所以filter基本上就像使用方括号df[]或df[[]]，因为它使用标签来选择列。但它不仅仅是括号符号。
过滤器有like= param，以帮助选择有部分名称的列。
df.filter(like='partial_name',)
过滤器也有正则表达式来帮助选择
df.filter(regex='reg_string')
综上所述，这种工作方式可能并不适用于任何情况，例如，如果你想使用索引/切片，那么iloc是正确的选择。但这似乎是一种可靠的工作方式，可以简化您的工作流程和代码。
如果将列设置为作为索引进行搜索，则可以使用DataFrame.xs()获取横截面。这没有查询答案那么通用，但在某些情况下可能很有用。
import pandas as pd
import numpy as np
np.random.seed([3,1415])
df = pd.DataFrame(
np.random.randint(3, size=(10, 5)),
columns=list('ABCDE')
)
df
# Out[55]:
# A B C D E
# 0 0 2 2 2 2
# 1 1 1 2 0 2
# 2 0 2 0 0 2
# 3 0 2 2 0 1
# 4 0 1 1 2 0
# 5 0 0 0 1 2
# 6 1 0 1 1 1
# 7 0 0 2 0 2
# 8 2 2 2 2 2
# 9 1 2 0 2 1
df.set_index(['A', 'D']).xs([0, 2]).reset_index()
# Out[57]:
# A D B C E
# 0 0 2 2 2 2
# 1 0 2 1 1 0
