Python 如何动态创建'&'；数据帧的可变长度过滤器

守则的目的：

根据来自主数据帧（df）的长度可变的输入（测试元组和参数），生成过滤数据帧（过滤数据帧）。可能有数百种过滤器组合

任职理由：

我想说的是，这里的一切都能产生预期的产出。也就是说，我不喜欢解决方案1的实现方法，即在dict中创建一个虚拟DataFrame对象，循环会依次过滤和更新该对象。解决方案1似乎有点含糊不清，但我需要一些指导来实现更简洁的内容

请求：

有没有办法使用解决方案2中所示的过滤器

筛选器\u t格式正确，但为字符串。是否有一种方法可以产生过滤器，以便按图所示使用

输入示例：

test_tuple = [('Serial Number', [12345]),
              ('Test Points', ['TestpointA', 'TestpointC']),
              ('Voltage_1', [3.0, 3.3, 3.6, 0.0]),
              ('Temperature Setpoint', [0, 60]),
              ('Slew_1', [200, 400, 800, 1600, 3200, 6400])]
params = ['sn', 'tp', 'v1', 'temp', 'slew']

代码：

过滤器的格式为字符串：

filter_t: (self.df["Test Points"] == 3P3V) & (self.df["Slew_1"] == 5000)
filter_t: (self.df["Serial Number"] == 2450) & (self.df["Test Points"] == 3P3V) & (self.df["Voltage_1"] == 11.6) & (self.df["Temperature Setpoint"] == 25.0) & (self.df["Slew_1"] == 5000)

过滤器的格式：

filter_l: [('Test Points', '3P3V_Edge'), ('Slew_1', 200)]
filter_l: [('Serial Number', 1234), ('Test Points', '3P3V'), ('Voltage_1', 11.6), ('Temperature Setpoint', 25.0), ('Slew_1', 200)]

解决方案1-无问题工作：

filtered_df = {1: df}
for x in filter_l:
     filtered_df[1] = (filtered_df[1].loc[(filtered_df[1][f'{x[0]}'] == x[1])])

解决方案2-可能吗

df_filter = self.df.loc[filter_t]

过滤器示例：

df_filter = self.df.loc[(self.df['Serial Number'] == 1234) &
                        (self.df['Test Points'] == '3P3V') &
                        (self.df['Voltage_1'] == 11.6) &
                        (self.df['Temperature Setpoint'] == 25.0) &
                        (self.df['Slew'] == 200)]

最终解决方案@John Zwinck-Thx：

filter_t = ' & '.join(f'{c[0]} == "{b}"' for b, c in zip(i, test_tuple))
filtered_df = df.loc[df.eval(filter_t)]

print(f'filter_t: {filter_t}')
>>> filter_t: Test_Points == "3P3V" & Slew_1 == "5000"

---

如果您可以安装

numexpr

，我建议您尝试一下

首先，您需要在列名中使用下划线（或不使用下划线）替换空格。然后，构建并使用如下筛选器字符串：

filter_str = 'Serial_Number == 2450 and Test_Points == "3P3V" and Voltage_1 == 11.6'
df_filter = df.query(filter_str)

如果安装了

numexpr

，这可能是最快的解决方案

或者，创建一个掩码列表，然后将它们合并。这与您的解决方案1类似，但比其更好：

masks = [df[x[0]] == x[1] for x in filter_l] # list of bool arrays
filtered_df = df[np.logical_and.reduce(masks)] # combine and apply masks

masks = [df[x[0]] == x[1] for x in filter_l] # list of bool arrays
filtered_df = df[np.logical_and.reduce(masks)] # combine and apply masks