IIUC，你应该可以做这样的事情：

>>> df1.loc[(df1[list(filter_v)] == pd.Series(filter_v)).all(axis=1)]
   A  B      C  D
3  1  0  right  3

其工作原理是创建一个系列进行比较：

>>> pd.Series(filter_v)
A        1
B        0
C    right
dtype: object

选择df1的相应部分：

>>> df1[list(filter_v)]
    A      C  B
0   1  right  1
1   0  right  1
2   1  wrong  1
3   1  right  0
4 NaN  right  1

查找它们的匹配位置：

>>> df1[list(filter_v)] == pd.Series(filter_v)
       A      B      C
0   True  False   True
1  False  False   True
2   True  False  False
3   True   True   True
4  False  False   True

查找它们 * 全部 * 匹配的位置：

>>> (df1[list(filter_v)] == pd.Series(filter_v)).all(axis=1)
0    False
1    False
2    False
3     True
4    False
dtype: bool

最后用这个来索引df1：

>>> df1.loc[(df1[list(filter_v)] == pd.Series(filter_v)).all(axis=1)]
   A  B      C  D
3  1  0  right  3

上述内容的抽象，用于传递过滤器值数组而不是单个值的情况（类似于panda.core.series.series.isin（））。使用相同的示例：

df1 = pd.DataFrame({'A':[1,0,1,1, np.nan], 'B':[1,1,1,0,1], 'C':['right','right','wrong','right', 'right'],'D':[1,2,2,3,4]})
filter_v = {'A':[1], 'B':[1,0], 'C':['right']}
##Start with array of all True
ind = [True] * len(df1)

##Loop through filters, updating index
for col, vals in filter_v.items():
    ind = ind & (df1[col].isin(vals))

##Return filtered dataframe
df1[ind]

##Returns

    A   B    C      D
0   1.0 1   right   1
3   1.0 0   right   3

下面是一个方法：

df.loc[df[filter_v.keys()].isin(filter_v.values()).all(axis=1), :]

更新日期：

如果各列的值相同，则可以执行以下操作：

# Create your filtering function:

def filter_dict(df, dic):
    return df[df[dic.keys()].apply(
            lambda x: x.equals(pd.Series(dic.values(), index=x.index, name=x.name)), axis=1)]

# Use it on your DataFrame:

filter_dict(df1, filter_v)

其结果为：

A  B      C  D
3  1  0  right  3

如果这是您经常做的事情，您可以尽可能地修补DataFrame以方便访问此过滤器：

pd.DataFrame.filter_dict_ = filter_dict

然后像这样使用这个过滤器：

df1.filter_dict_(filter_v)

也会产生同样的结果。

但是，这显然不是正确的方法。我会使用DSM的方法。

对于python 2，@primer的答案是可以的，但是在Python3中要小心，因为有dict_keys。

>> df.loc[df[filter_v.keys()].isin(filter_v.values()).all(axis=1), :]
>> TypeError: unhashable type: 'dict_keys'

Python3的正确方法：

df.loc[df[list(filter_v.keys())].isin(list(filter_v.values())).all(axis=1), :]

这里有另一种方法：

filterSeries = pd.Series(np.ones(df.shape[0],dtype=bool))
for column, value in filter_v.items():
    filterSeries = ((df[column] == value) & filterSeries)

这给出：

>>> df[filterSeries]
   A  B      C  D
3  1  0  right  3

您还可以创建查询

query_string = ' and '.join(
    [f'({key} == "{val}")' if type(val) == str else f'({key} == {val})' for key, val in filter_v.items()]
)

df1.query(query_string)

要跟进DSM的答案，还可以使用any()将查询转换为OR操作（而不是AND）：
df1.loc[(df1[list(filter_v)] == pd.Series(filter_v)).any(axis=1)]

结合前面的答案，这里有一个函数可以提供给df1.loc。它允许AND/OR（使用how='all'/'any'），如果需要，它还允许使用op关键字进行==以外的比较。

import operator

def quick_mask(df, filters, how='all', op=operator.eq) -> pd.Series:
    if how == 'all':
        comb = pd.Series.all
    elif how == 'any':
        comb = pd.Series.any
    return comb(op(df[[*filters]], pd.Series(filters)), axis=1)

# Usage
df1.loc[quick_mask(df1, filter_v)]

我遇到了一个问题，因为我的字典有多个值的同一个关键字。
我可以将DSM的查询更改为：

df1.loc[df1[list(filter_v)].isin(filter_v).all(axis=1), :]