Python 熊猫：如果多个列中有多个为零，则删除行

我有这样一个数据帧：

     col0   col1  col2  col3
ID1    0      2     0     2
ID2    1      1     2     10
ID3    0      1     3     4

我想多次删除包含零的行

我试着做：

cols = ['col1', etc]
df.loc[:, cols].value_counts()

但这只适用于系列，而不适用于数据帧

df.loc[:, cols].count(0) <= 1

---

df.loc[：，cols].count（0）应用条件并计算
True
值

(df == 0).sum(1)

ID1    2
ID2    0
ID3    1
dtype: int64

df[(df == 0).sum(1) < 2]

     col0  col1  col2  col3
ID2     1     1     2    10
ID3     0     1     3     4


df=pd.concat（[df]*10000，忽略索引=True）
%timeit df[（df==0）.sum（1）<2]
%timeit df[df.astype（bool.sum）（1）>len（df.columns）-2]
%timeit df[np.count\u非零（df.values，axis=1）>len（df.columns）-2]
每个回路7.13 ms±161µs（7次运行的平均值±标准偏差，每个100个回路）
每个回路4.28 ms±120µs（7次运行的平均值±标准偏差，每个100个回路）
每个回路997µs±38.2µs（7次运行的平均值±标准偏差，每个1000个回路）
应用条件并计算
真值

(df == 0).sum(1)

ID1    2
ID2    0
ID3    1
dtype: int64

df[(df == 0).sum(1) < 2]

     col0  col1  col2  col3
ID2     1     1     2    10
ID3     0     1     3     4


df=pd.concat（[df]*10000，忽略索引=True）
%timeit df[（df==0）.sum（1）<2]
%timeit df[df.astype（bool.sum）（1）>len（df.columns）-2]
%timeit df[np.count\u非零（df.values，axis=1）>len（df.columns）-2]
每个回路7.13 ms±161µs（7次运行的平均值±标准偏差，每个100个回路）
每个回路4.28 ms±120µs（7次运行的平均值±标准偏差，每个100个回路）
每个回路997µs±38.2µs（7次运行的平均值±标准偏差，每个1000个回路）
使用

df.loc[df.eq(0).sum(1).le(1),]
     col0  col1  col2  col3
ID2     1     1     2    10
ID3     0     1     3     4

有趣的方式

df.mask(df.eq(0)).dropna(0, thresh=df.shape[1] - 1).fillna(0)
     col0  col1  col2  col3
ID2   1.0     1   2.0    10
ID3   0.0     1   3.0     4    

使用

有趣的方式

df.mask(df.eq(0)).dropna(0, thresh=df.shape[1] - 1).fillna(0)
     col0  col1  col2  col3
ID2   1.0     1   2.0    10
ID3   0.0     1   3.0     4    

不错。如果我想进一步限制列检查，我可以做
df[（df[my_cols]==0）。sum（1）<2]
，对吗？假设我有一个更大的数据集开始with@PeptideWitch是的，那就足够了。那里的方法很有趣——我很喜欢那一种。对我的数据集很好用。如果我想进一步限制列检查，我可以做
df[（df[my_cols]==0）。sum（1）<2]
，对吗？假设我有一个更大的数据集开始with@PeptideWitch是的，那就足够了。那里的方法很有趣——我很喜欢那一种。适用于我的数据集Too是否使用
loc
to？方法#1可以工作，但只返回数据集的ID，因此您必须将其包装在一个条件中，以过滤掉数据帧。不过，答案还是很简洁。Ty:）是否使用
loc
to？方法#1起作用，但只返回数据集的ID，因此您必须将其包装在一个条件中，以过滤掉数据帧。不过，答案还是很简洁。泰：）
df.mask(df.eq(0)).dropna(0, thresh=df.shape[1] - 1).fillna(0)
     col0  col1  col2  col3
ID2   1.0     1   2.0    10
ID3   0.0     1   3.0     4    

df.replace(0, np.nan, inplace=True)
df.dropna(subset=df.columns, thresh=2, inplace=True)
df.fillna(0., inplace=True)