Python 在循环中多次过滤数据帧的最快方法

我有一个300万行的数据帧（df1）和一个10万行的数据帧（df2）。对于df2中的每一行，过滤df1的最快方法是什么

以下正是我在循环中需要做的事情：

for i in list(range(len(df2))): #For each row
    x = df1[(df1['column1'].isin([df2['info1'][i]])) \
          & (df1['column2'].isin([df2['info2'][i]])) \
          & (df1['column3'].isin([df2['info3'][i]]))]
    # ..... More code using x variable every time ......

这段代码的速度不够快，无法运行

请注意，我使用了.isin函数，但在它里面总是只有一项。我发现使用.isin（），

df1['column1'].isin（[df2['info1'][I]]

）比使用

df1['column1']==df2['info1'][I]

作为pd导入熊猫更快 将numpy作为np导入 def make_过滤器（x、y、match_dict、uinque=False）： 过滤器=无 对于x列中的x_键： 如果x_输入匹配命令： y_键=匹配[x_键] y_col=y[y_键] 如果是uinque： y_col=y_col.unique（） col\u filter=x[x\u key].isin（y[y\u key]） 如果过滤器为无： 过滤器=col_过滤器 其他： 过滤器=过滤器和列过滤器 回流过滤器 def main（）： n_行=100 x=np.random.randint（4，size=（n_行，2）） x=pd.DataFrame（x，列=[“col1”，“col2”]） y=np.random.randint（2，4，size=（n_行，2）） y=pd.DataFrame（y，列=[“info1”，“info2”]） match_dict={“col1”：“info1”，“col2”：“info2”} z=生成过滤器（x，y，匹配dict，uinque=真） 打印（x[z]） main（）

---

我可能错过了一些东西，但是

df1[“column1”]有什么问题。isin（df2[“info1”]）

？