我有一个场景，用户希望对一个数据帧或序列对象应用几个过滤器。本质上，我想有效地将用户在运行时指定的一系列过滤（比较操作）链接在一起
过滤器应为添加剂（即，应用的每个过滤器应缩小结果范围）
我目前正在使用reindex（），但每次都会创建一个新对象并复制底层数据（如果我正确理解文档的话）。因此，在过滤大型系列或数据帧时，这可能会非常低效
我认为使用apply（）、map（）或类似的方法可能会更好。我对熊猫还不太熟悉，所以我还是试着去了解一切
TL；博士
我希望采用以下形式的字典，将每个操作应用于给定的Series对象，并返回一个“筛选”的Series对象
relops={'>；=':[1]，'<；=':[1]}
长例子
我将从一个我目前拥有的示例开始，只过滤一个序列对象。以下是我当前使用的函数：
def应用再操作（系列，再操作）：
"""
传递关系运算符字典以在给定的系列对象上执行
"""
对于op，relops.iteritems（）中的VAL：
op_func=ops[op]
对于val中的val：
过滤=运算函数（系列，val）
series=series.reindex（series[过滤]）
返回序列
用户提供一个字典，其中包含要执行的操作：
>&燃气轮机&燃气轮机；数据帧（{'col1'：[0,1,2]，'col2'：[10,11,12]}）
&燃气轮机&燃气轮机&燃气轮机；打印df
&燃气轮机&燃气轮机&燃气轮机；打印df
col1 col2
0 0 10
1 1 11
2 2 12
&燃气轮机&燃气轮机&燃气轮机；从ge的运营商进口
&燃气轮机&燃气轮机&燃气轮机；ops={'>；=':ge'<；=':le}
&燃气轮机&燃气轮机&燃气轮机；应用重新操作（df['col1']，{'>；='：[1]}）
可乐
1 1
2 2
姓名：col1
&燃气轮机&燃气轮机&燃气轮机；应用_relops（df['col1'，relops={'>；='：[1]，'<；='：[1]}）
可乐
1 1
姓名：col1
同样，我上述方法的“问题”是，我认为中间步骤可能存在大量不必要的数据复制
此外，我还想对此进行扩展，以便传入的字典可以包括要运算符打开的列，并基于输入字典过滤整个数据帧。然而，我假设任何适用于该系列的东西都可以轻松地扩展为数据帧
熊猫（和numpy）允许布尔索引，这将更加有效：
[11]on
：df.loc[df['col1']>；=1'col1']
Output[11]：
1 1
2 2
姓名：col1
At[12]on：df[df['col1']>；=1]
Output[12]：
col1 col2
1 1 11
2 2 12
At[13]on：df[（df['col1']>；=1）&；（df['col1']<；=1）]
Output[13]：
col1 col2
1 1 11
如果您想为此编写帮助函数，请考虑以下几行：
[14]on
：定义b（x，col，op，n）：
返回op（x[col]，n）
At[15]on：定义f（x，*b）：
返回x[（np.logical_和（*b））]
In[16]：b1=b（df，'col1'，ge，1）
In[17]：b2=b（df，'col1'，le，1）
In[18]：f（df，b1，b2）
Output[18]：
col1 col2
1 1 11
更新：pandas 0.13为此类用例提供了一种查询方法，假设列名是有效的标识符，下面的工作（并且对于大帧来说可能更有效，因为它在幕后使用numexpr）：
[21]on
：df.query（'col1<；=1<；=col1'）
Output[21]：
col1 col2
1 1 11