使用反向cummax的布尔索引：

out = df[df.loc[::-1, 'value'].ne(0).cummax()]

输出：

value
index       
0        4.0
1       34.0
2       -2.0
3       15.0
97      45.0

中间体：

value   mask
index              
0        4.0   True
1       34.0   True
2       -2.0   True
3       15.0   True
97      45.0   True
98       0.0  False
99       0.0  False
100      0.0  False

或者，如果您确定至少有一个非零值：

out = df.loc[:df.loc[::-1, 'value'].ne(0).idxmax()]

假设零值都堆叠在DataFrame的末尾：

# find the index of the last non-zero value
last_nonzero_index = df['value'].to_numpy().nonzero()[0][-1]

# create a new DataFrame with only the non-zero rows
new_df = df.iloc[:last_nonzero_index + 1]

否则，如果它们分散在整个DataFrame中：

# find index of non-zero values
nonzero_index = df['value'].to_numpy().nonzero()[0]

# create a new DataFrame with only the non-zero rows
new_df = df.iloc[nonzero_index]

你可以通过广播来实现

df = df[(df != 0.0).any(axis=1)]

您可以将value列与0进行比较，并对布尔结果进行反向累积和。拖尾0将在累计之后保持0。

out = df[df.loc[::-1, 'value'].ne(0).cumsum()[::-1].ne(0)]

print(out)

    value
0     4.0
1    34.0
2    -2.0
3    15.0
4     0.0
97   45.0