如何基于DataFrame实现灵活易修改的多条件样本计数

针对你需要频繁调整多条件（含不等判断）统计样本数的需求，推荐用条件字典+通用筛选函数的方案，既能快速修改规则，又能高效处理复杂逻辑。

核心方案：用字典存储条件，动态生成筛选逻辑 #

把每个列的判断规则存入字典，修改条件只需要更新字典内容，不用改动核心筛选代码。

1. 定义条件字典 #

以你给出的示例条件（Genepanel == PID、Causative != Negative、Gender == Male且Fenotype == Hypogamma）为例，字典可以这么写：

conditions = {
    "Genepanel": lambda x: x == "PID",
    "Causative": lambda x: x != "Negative",
    "Gender": lambda x: x == "Male",
    "Fenotype": lambda x: x == "Hypogamma"
}

lambda表达式能灵活支持各种判断：比如范围判断lambda x: x > 18、多值匹配lambda x: x in ["SCID", "Hypogamma"]、包含判断lambda x: "突变" in x等。

2. 编写通用统计函数 #

写一个复用性强的函数，自动遍历条件字典生成筛选掩码，最后返回符合条件的样本数：

import pandas as pd

def count_matching_samples(df, conditions):
    # 初始化全为True的掩码
    mask = pd.Series([True] * len(df))
    # 遍历每个条件，逐步缩小筛选范围
    for col, rule in conditions.items():
        mask &= df[col].apply(rule)
    # 返回符合条件的行数总和
    return mask.sum()

3. 调用函数统计结果 #

假设你的患者数据DataFrame名为patient_df，直接传入参数即可得到结果：

result_count = count_matching_samples(patient_df, conditions)
print(result_count)  # 示例数据中输出1

优化：针对大型DataFrame的向量化版本 #

如果你的数据量极大（数万行以上），可以用向量化操作替代apply提升速度，条件字典的格式稍作调整：

# 用元组表示不等/范围类条件，字符串表示等于条件
conditions_optimized = {
    "Genepanel": "PID",
    "Causative": ("!=", "Negative"),
    "Gender": "Male",
    "Fenotype": "Hypogamma"
}

def count_matching_samples_fast(df, conditions):
    mask = pd.Series([True] * len(df))
    for col, rule in conditions.items():
        if isinstance(rule, str):
            mask &= (df[col] == rule)
        elif isinstance(rule, tuple):
            op, value = rule
            if op == "!=":
                mask &= (df[col] != value)
            elif op == ">":
                mask &= (df[col] > value)
            # 可扩展支持<、>=、<=等操作符
    return mask.sum()

扩展：处理跨列关联条件 #

如果需要用到列之间的逻辑（比如Age > 18 且 Causative != Negative），可以单独生成跨列掩码后合并：

# 基础列条件
basic_conditions = {"Gender": "Male", "Genepanel": "PID"}
# 跨列额外条件
cross_mask = (patient_df["Age"] > 18) & (patient_df["Causative"] != "Negative")
# 合并掩码并统计
total_mask = count_matching_samples_fast(patient_df, basic_conditions) & cross_mask
final_count = total_mask.sum()

这个方案的优势在于：

• 易维护：新增/修改条件只需调整字典，不用重构筛选逻辑
• 灵活性强：支持几乎所有常见的判断规则
• 性能适配：可根据数据量选择普通版或向量化版

内容的提问来源于stack exchange，提问作者Sofie