本文介绍如何使用布尔索引高效筛选DataFrame中满足特定列值条件的行，并支持在操作后移除该条件列，从而生成结构清晰、易于分析的新DataFrame。

在数据清洗过程中，依据列值条件筛选行是最常见的操作之一。以实际场景为例：假设你有一个名为 df1 的DataFrame，其中包含一列 "purpose"，你需要提取所有 purpose == "house" 的记录，并将其保存为新的DataFrame df2。如果希望同时移除用于筛选的列，让表格结构更简洁，可以使用链式调用 .drop() 方法一步完成。

核心代码仅一行，非常直观：

df2 = df1[df1["purpose"] == "house"].drop("purpose", axis=1)

✅ 代码说明：

• df1["purpose"] == "house" 会生成一个布尔型Series，标记每一行是否满足条件；
• df1[...] 利用该布尔索引直接筛选出所有符合条件的行，保留所有原始列；
• .drop("purpose", axis=1) 沿着列方向（axis=1）删除 "purpose" 列，最终 df2 仅包含其他特征字段。

⚠️ 注意事项：

• 如果 "purpose" 列中存在缺失值（NaN），使用 == "house" 判断时，NaN 会被自动判定为 False（不会引发错误），即这些行默认被排除。如果需要考虑空值，可改用 df1["purpose"].str.contains("house", na=False) 或结合 isna() 单独处理。
• 列名必须严格匹配——大小写与空格均需一致。建议先通过 df1.columns.tolist() 确认列名的准确写法。
• 如果仅需保留某几列，不一定非要先筛选再删除列。更推荐使用 .loc 直接指定要保留的列，代码更清晰：

  df2 = df1.loc[df1["purpose"] == "house", ["col1", "col2", "col3"]]

该方法简洁、向量化，性能表现优异，千万级以下的数据子集提取完全够用。可以说，它是Pandas数据清洗流程中最基础也是最关键的一环。