这取决于您的数据集。
首先，让我们生成一个DataFrame，其中包含在第一个条件中应该删除的几乎所有值：

n = 1_000_000
p = 0.0001
np.random.seed(0)
df = pd.DataFrame({'column1': np.random.choice([0,6], size=n, p=[p, 1-p]),
                   'column2': np.random.choice([0,20], size=n)})

正如所料：

# simultaneous conditions
5.69 ms ± 300 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)

# successive slicing
2.99 ms ± 45.7 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)

首先生成一个小的中间体会更快。
现在，我们将概率改为p = 0.9999，这意味着第一个条件将删除很少的行。
我们可以预期两种解决方案的运行速度相似，但是：

# simultaneous conditions
27.5 ms ± 2.33 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)

# successive slicing
55.7 ms ± 3.44 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)

现在，创建中间DataFrame的开销不可忽略。