Python实现月份转年后的条件计数并生成统计DataFrame的代码优化咨询

首先，咱们先捋一下你现有代码里的几个核心问题：

1. 语法错误：两个for循环结尾都缺少冒号:，这会直接导致代码运行报错；
2. 逻辑偏差：你把所有符合value > i的数值都塞进了data列表，但最后没法区分这些数值对应哪个i阈值；
3. Lambda写法错误：Lambda表达式里不能直接写if x > i，正确的三元表达式格式是lambda x: 1 if x > i else 0，但就算修正了这个，你的逻辑也没法得到每个i对应的独立计数。

高效的实现思路 #

其实不用嵌套循环或者Lambda绕弯，用Pandas的向量操作就能简洁高效地完成需求，步骤如下：

1. 批量转换月份到年份：把月份转成年份的操作只需要做一次，不用放到循环里，既高效又清晰；
2. 按阈值逐个统计：对每个i，直接统计年份列中大于i的元素个数；
3. 构造目标DataFrame：把每个阈值的描述和计数整理成字典列表，再转成你想要的表格格式。

完整代码示例 #

import pandas as pd

# 假设你的df已经存在，先添加年份列（只计算一次）
df['years'] = round(df['month'] / 12, 1)

# 存储每个阈值的统计结果
result_list = []

# 遍历每个阈值i（4到7，左闭右开，所以range(4,8)）
for i in range(4, 8):
    # 统计大于i的年份数量：布尔数组的sum就是True的个数
    count = (df['years'] > i).sum()
    # 将当前阈值的描述和计数加入结果列表
    result_list.append({
        'Description': f'> {i} years',
        'Count': count
    })

# 转成目标格式的DataFrame
result_df = pd.DataFrame(result_list)
print(result_df)

代码细节解释 #

• df['years'] = round(df['month'] / 12, 1)：一次性把所有月份转成保留1位小数的年份，避免重复计算，提升代码效率；
• (df['years'] > i).sum()：Pandas会自动把布尔数组（每个元素是True/False）转换为1/0，sum之后就是符合条件的元素数量，比手动循环统计快得多；
• 字典列表转DataFrame：每个字典对应表格的一行，最后用pd.DataFrame直接转换，完美匹配你想要的输出格式。

如果你坚持要用Lambda（不推荐，效率较低） #

如果一定要用Lambda实现计数，需要调整逻辑为每个i单独统计：

# 先把年份列转成列表
data = round(df['month'] / 12, 1).tolist()
counts = []

for i in range(4, 8):
    # 用map+Lambda统计当前i对应的符合条件的数量
    count = sum(map(lambda x: 1 if x > i else 0, data))
    counts.append({'Description': f'> {i} years', 'Count': count})

# 转成DataFrame
result_df = pd.DataFrame(counts)

但这种方法需要把Series转成列表，手动循环统计，数据量大的时候性能远不如Pandas的向量操作。

内容的提问来源于stack exchange，提问作者JoMcGee