Python Pandas按时间区间统计DataFrame单元格数量的实现及报错解决

先来说说你最初代码里的问题哈，你遇到的*TypeError: 'numpy.ndarray' object is not callable*主要有几个原因：

• key的理解错误：你在for key, value in data_df.items()里，key是DataFrame的列名，不是单元格里的数值，所以if key <= 300这个判断完全不对，列名一般是字符串或者整数索引，但这里显然不是你要判断的数值范围。
• count()方法的误用：value.count(value.values() <= 300)这种写法是错的，count()用来统计非缺失值的数量，不能这么传条件。要统计满足条件的单元格数量，应该用布尔索引后求和——因为布尔值True会被当作1，False当作0，求和就是符合条件的数量。

那你最初统计小于300秒的需求，其实不用循环，一行代码就能搞定：

# 先处理缺失值，然后统计小于300的数量
df_count_less_300 = data_df.fillna(0).astype(int).lt(300).sum().iloc[0]
print(df_count_less_300)

解释一下：

• fillna(0)把空值换成0
• astype(int)转成整数类型
• lt(300)生成布尔值的DataFrame，满足条件的是True
• sum()对每列求和（这里你只有一列，所以取第一列的结果）

然后来看你更新后的需求：按5分钟间隔（300秒）统计到1小时（3600秒）的各个区间的数量，这里有两种简单的方法：

方法一：用布尔条件逐个统计 #

适合你需要明确每个区间的统计结果：

# 先预处理数据，填充空值转整数
processed_df = data_df.fillna(0).astype(int)

# 定义区间对应的条件和名称
intervals = [
    ("0-5分钟(0-300秒)", processed_df[0].between(0, 300, inclusive='left')),
    ("5-10分钟(300-600秒)", processed_df[0].between(300, 600, inclusive='left')),
    ("10-15分钟(600-900秒)", processed_df[0].between(600, 900, inclusive='left')),
    ("15-20分钟(900-1200秒)", processed_df[0].between(900, 1200, inclusive='left')),
    ("20-25分钟(1200-1500秒)", processed_df[0].between(1200, 1500, inclusive='left')),
    ("25-30分钟(1500-1800秒)", processed_df[0].between(1500, 1800, inclusive='left')),
    ("30-35分钟(1800-2100秒)", processed_df[0].between(1800, 2100, inclusive='left')),
    ("35-40分钟(2100-2400秒)", processed_df[0].between(2100, 2400, inclusive='left')),
    ("40-45分钟(2400-2700秒)", processed_df[0].between(2400, 2700, inclusive='left')),
    ("45-50分钟(2700-3000秒)", processed_df[0].between(2700, 3000, inclusive='left')),
    ("50-55分钟(3000-3300秒)", processed_df[0].between(3000, 3300, inclusive='left')),
    ("55-60分钟(3300-3600秒)", processed_df[0].between(3300, 3600, inclusive='left')),
]

# 遍历统计并打印结果
for name, condition in intervals:
    count = condition.sum()
    print(f"{name}: {count} 个")

这里用between(left, right, inclusive='left')表示左闭右开区间，避免重复统计边界值（比如300秒只会算在5-10分钟的区间里）。

方法二：用pd.cut批量分组统计 #

如果想更高效地生成所有区间的统计结果，推荐用pd.cut：

# 预处理数据
processed_series = data_df[0].fillna(0).astype(int)

# 定义区间边界：从0到3600，步长300
bins = list(range(0, 3601, 300))
# 定义每个区间的标签
labels = [f"{i//60}-{(i+300)//60}分钟" for i in bins[:-1]]

# 分组统计
counts = pd.cut(processed_series, bins=bins, labels=labels, include_lowest=True).value_counts()

# 打印结果
print(counts)

解释一下：

• bins生成[0,300,600,...,3600]的区间边界
• labels自动生成对应的分钟区间标签
• include_lowest=True确保0秒的数值被包含在第一个区间里
• value_counts()直接统计每个区间的数量，结果是一个Series，清晰展示每个区间的统计数

最后，你之前写的df_count300to600 = data_df[key].fillna(0).le( key > 300 && key < 600)有两个问题：一是Python里逻辑与要用and，但在Pandas布尔索引里要换成&；二是le()是小于等于的方法，你这里的条件逻辑完全错了，正确的写法应该是(data_df[key] > 300) & (data_df[key] < 600)，然后求和得到数量。

备注：内容来源于stack exchange，提问作者Felipe Abrão Mariotti