本文介绍如何在pandas中高效筛选dataframe中**在特定列范围内（如前12列）至少出现一次"pc"字符串**的行，避免低效循环和常见布尔索引错误。
在数据分析中，常需基于多列联合条件进行行级过滤。例如，您的数据集包含编号为 0 到 11 的12个对象型列（dtype: object），其中部分单元格值为 'PC'，其余可能为其他平台名（如 'PS5', 'Xbox'）或空值/占位符（如 'False'）。目标是仅保留那些在这些列中至少有一个 'PC' 的行——即“只要某一行在列0–11中任意一列等于 'PC'，就保留该行”。
⚠️ 注意：原始尝试中的几种方法存在根本性问题：
- 使用 df.iterrows() + drop() 在迭代中修改原DataFrame，会导致索引错乱、性能极差，且 in row.values 对混合类型（含 bool、float64）可能引发隐式类型转换异常；
- 单列过滤 df[df['column'] == 'PC'] 仅检查单列，无法满足“任一列含PC”的逻辑；
- df[colum_pc].apply(...) 中 row.values 在 axis=1 下返回的是 pd.Series，其 .values 是NumPy数组，但 lambda row: 'PC' in row.values 并非向量化操作，且拼写错误（colum_pc 应为 column_pc），效率低下且易报错。
✅ 正确解法是使用向量化布尔索引，核心思路为：
先构造一个与原DataFrame行数一致的布尔掩码（True表示该行应保留），再用此掩码筛选。
推荐代码如下：
# 保留在前12列（索引0~11）中至少含一个'PC'的行
mask = df.iloc[:, :12].eq('PC').any(axis=1)
df_filtered = df[mask].copy() # .copy() 避免 SettingWithCopyWarning
df_filtered.reset_index(drop=True, inplace=True)? 关键说明：
- df.iloc[:, :12]：安全选取前12列（列索引 0 至 11），不依赖列名，规避命名歧义；
- .eq('PC')：逐元素判断是否等于 'PC'，返回 bool 类型 DataFrame；
- .any(axis=1)：对每行执行逻辑或（OR）运算 —— 只要该行任一列为 True（即等于 'PC'），结果即为 True；
- 最终 mask 是长度为 len(df) 的 pd.Series[bool]，直接用于布尔索引。
? 进阶提示：
- 若需严格匹配且忽略大小写，可改用：
df.iloc[:, :12].apply(lambda x: x.str.upper().eq('PC'), axis=1).any(axis=1) - 若某些列含 NaN 或非字符串类型（如 False 布尔值），.eq('PC') 会自然返回 False，无需额外清洗；
- 如需排除含 'PC' 的行（即题目字面“drop rows that do not contain PC”，等价于“保留含PC的行”），上述 mask 已满足；若误读为“drop rows that contain PC”，则取反：df[~mask]。
总结：始终优先采用 Pandas 原生向量化操作（如 .eq(), .any(), .all()）替代 Python 循环，既保证正确性，又获得百倍以上性能提升。
