在Pandas中，根据条件删除行本质上是先构造一个布尔序列，用True标记需要保留或删除的行，再利用该序列对DataFrame进行筛选。常见做法包括使用布尔索引直接选择符合条件的行，或者先找出不符合条件的行索引，再调用drop方法删除。下面从最基础的布尔索引开始，逐步覆盖各种条件组合和更高效的方法。

布尔索引：最直接的条件筛选方式

布尔索引是Pandas中最常用的条件筛选手段。它的核心思路是：对DataFrame的某一列或整个DataFrame应用比较运算，得到一个与行数相同的布尔Series，然后将这个布尔Series放入方括号中，Pandas会保留布尔值为True的行，False的行被自动过滤掉。

假设有一个员工信息表，包含姓名、年龄、部门和薪资四列。要筛选出年龄大于30岁的员工，可以这样写：

import pandas as pd
df = pd.DataFrame({
    'name': ['Alice', 'Bob', 'Charlie', 'David', 'Eva'],
    'age': [25, 35, 28, 42, 31],
    'department': ['HR', 'IT', 'Finance', 'IT', 'HR'],
    'salary': [5000, 8000, 6000, 9000, 5500]
})
# 筛选年龄大于30岁的行
result = df[df['age'] > 30]
print(result)

这段代码中，df['age'] > 30会生成一个布尔Series：False, True, False, True, True。将其传入df[...]后，只保留对应为True的三行。这种方法的好处是语法简洁、可读性强，适合大多数日常筛选需求。

当需要同时满足多个条件时，可以使用&（与）、|（或）和~（非）运算符。注意每个条件必须用圆括号包裹，否则会因运算符优先级问题报错。例如筛选年龄大于30且部门为IT的员工：

# 多条件组合：年龄大于30且部门为IT
result = df[(df['age'] > 30) & (df['department'] == 'IT')]
print(result)

布尔索引也可以用于选择行而不是删除行。如果需求是“删除年龄小于等于30岁的行”，其实等价于“保留年龄大于30岁的行”，所以直接用df[df['age'] > 30]即可。只有在需要明确表达“删除”语义时，才会用到后面介绍的drop方法。

使用drop方法按条件删除行

如果业务逻辑更倾向于“删除不符合条件的行”，可以先通过条件筛选出需要删除的行的索引，再调用drop方法。这种方式的好处是删除意图更明确，尤其在处理大型DataFrame时，可以先拿到索引列表再统一删除。

例如要删除薪资低于6000的员工，可以先用布尔索引获取这些行的索引，然后调用df.drop(index)：

# 获取薪资低于6000的行的索引
drop_index = df[df['salary'] < 6000].index
# 删除这些行
df_cleaned = df.drop(drop_index)
print(df_cleaned)

这里df['salary'] < 6000返回布尔Series，df[...]筛选出薪资低于6000的行，再取.index得到行标签。如果原DataFrame的索引不是默认的0到N-1，这一步仍然能准确获取需要删除的行标签。

另一种常见的删除场景是基于索引值或行号。比如要删除索引为2和4的行，可以直接传入列表：df.drop([2, 4])。如果要按位置删除，可以组合iloc获取索引后再删除。但按条件删除时，先筛选索引再drop是最直观的。需要留意的是，drop默认返回新对象，不会修改原DataFrame，除非设置inplace=True。但官方建议尽量避免使用inplace，以保持数据操作的链式风格和可预测性。

drop方法还支持axis参数，但删除行时axis=0是默认值，无需额外指定。如果传入的索引不存在，会抛出KeyError；可以通过设置errors='ignore'忽略不存在的索引，避免中断执行。

query方法：用字符串表达式简化条件

对于包含多个复杂条件的场景，Pandas提供了query方法，允许使用类似SQL的字符串表达式进行筛选。它的优势是语法更接近自然语言，可以避免大量圆括号的嵌套，代码读起来更清爽。

例如要筛选部门为HR且薪资大于等于5500的员工，用布尔索引需要写成df[(df['department'] == 'HR') & (df['salary'] >= 5500)]，而用query可以写成：

result = df.query("department == 'HR' and salary >= 5500")
print(result)

在query表达式内部，列名可以直接引用，字符串值需要加引号。逻辑运算符可以使用and、or、not，也可以使用&、|、~，但推荐使用英文单词以提升可读性。query方法底层通过numexpr进行优化，对于大型DataFrame往往比普通的布尔索引更快。

query还支持在表达式中引用外部变量，只需在变量名前加@符号。例如将阈值存入变量后进行筛选：

min_salary = 6000
result = df.query("salary >= @min_salary")
print(result)

这种方法非常适用于动态条件场景，比如在函数中根据传入参数过滤数据。不过query的缺点是表达式是字符串，无法利用IDE的自动补全，且调试起来不如原生Python代码直观。如果条件中包含复杂函数调用或非常规列名（如列名包含空格），query可能无法直接处理，此时需要退回布尔索引或使用反引号转义列名。

条件删除中的常见陷阱与性能考量

在实际使用中，有几个容易出错的地方需要特别注意。首先是运算符优先级问题：在布尔索引中，&的优先级高于比较运算符，因此每个条件必须用括号包裹。忘记括号会触发类似The truth value of a Series is ambiguous的报错。例如df[df['age'] > 30 & df['department'] == 'IT']是错误的，必须写成df[(df['age'] > 30) & (df['department'] == 'IT')]。

其次是inplace=True的误用。很多教程会使用df.drop(index, inplace=True)直接修改原DataFrame，但这种方式可能造成难以追踪的副作用，尤其在函数内部修改传入的DataFrame时。更好的做法是显式赋值给新变量，或者使用链式操作。

性能方面，对于中小型数据集（几万行以内），布尔索引和query的差异几乎可以忽略。但当数据量达到百万行级别时，query通常比普通布尔索引更快，因为它会在底层使用numexpr进行并行计算和内存优化。此外，如果只需要删除少量行，先获取索引再drop会比较高效；如果删除比例很高，直接使用布尔索引保留目标行反而更简洁。另一个优化点是避免重复计算相同的布尔条件，可以将布尔Series先存为变量复用。

如果条件涉及字符串匹配，可以使用str访问器，例如df[df['name'].str.startswith('A')]。对于缺失值，可以使用isna()或notna()进行过滤，比如删除薪资为空的行：df[df['salary'].notna()]。这些方法同样遵循布尔索引的机制，只是条件构造方式不同。

最后，针对需要同时查看删除的行和保留的行的场景，可以先构造布尔掩码，然后分别取反：mask = df['age'] > 30，保留行为df[mask]，删除行为df[~mask]。这样一次条件计算即可得到两份数据，逻辑清晰且高效。