在熊猫中选择低于某个值的行和相应列的最佳方法

Question

我有一个包含 30 多列的大型数据框。

前两列（“A”和“B”）包含有关某个功能的一般信息，而其余列代表该功能的不同实验。

我想将我的数据框分割为仅包含具有相应列的行，其中任何值都低于阈值，并且还包括 A 列和 B 列。

我当前的代码如下所示：

df=df.loc[df.le(0.05).any(1),].reindex(colums=["A","B"]+list(df.columns[df.le(0.05).any(0)]))

虽然它有效，但这看起来很不雅。有没有“更好”的方法？

编辑： 示例

A	B	C	D	E
1	10	0.9	0.8	0.04
1	20	0.7	0.6	0.5
2	5	0.1	0.01	0.3

结果

A	B	D	E
1	10	0.8	0.04
2	5	0.01	0.3

Answer 1

让我们从这个输入开始：

import numpy as np
np.random.seed(1)
df = pd.concat([pd.DataFrame({'A': ['feature']*5,
                              'B': ['feature']*5,}),
                pd.DataFrame({'col%s' % i: np.random.randint(0,5,5) for i in range(10)})
               ], axis=1)

输入：

         A        B  col0  col1  col2  col3  col4
0  feature  feature     3     0     1     3     4
1  feature  feature     4     0     2     4     1
2  feature  feature     0     1     4     2     1
3  feature  feature     1     4     2     4     0
4  feature  feature     3     4     4     2     1

现在我们选择没有至少一个 0 的行（只是一个例子，你可以在这里使用任何选择器）：

df[df.drop(['A', 'B'], axis=1).le(0).any(axis=1)]

输出：

         A        B  col0  col1  col2  col3  col4
0  feature  feature     3     0     1     3     4
1  feature  feature     4     0     2     4     1
2  feature  feature     0     1     4     2     1
3  feature  feature     1     4     2     4     0

Answer 2

试试：

df=df.loc[df.le(0.05).any(1),['A','B',*df.columns[df.le(0.05).any(0)]]]
#OR
df=df.loc[df.le(0.05).any(1),(df.le(0.05).any(0)) | (df.columns.isin(['A','B']))]

df的输出：

    A   B   D       E
0   1   10  0.80    0.04
2   2   5   0.01    0.30