如何基于多阈值在Pandas中生成符合特定条件的掩码

解决方案 #

这里有个简洁高效的方法来生成你需要的mask，直接看代码：

import pandas as pd

# 初始化你的数据和阈值
d = {'A': [0.1, 0.4, 0.2, 0.2], 'B': [0.7, 0.3, 0.2, 0.9], 'Z': [0.5, 0.3, 0.4, 0.6], 'sth': ['abc', 'something', 'unimportant', 'x']}
df = pd.DataFrame(data=d)
thresholds = {'A': 0.5, 'B':0.8, 'Z': 0.3}

# 核心操作：生成目标mask
target_cols = list(thresholds.keys())
# 获取每行最大值所在的列名
max_col_per_row = df[target_cols].idxmax(axis=1)
# 比较每行最大值与对应列的阈值
mask = df[target_cols].max(axis=1) < max_col_per_row.map(thresholds)

print(mask.tolist())  # 输出: [True, True, False, False]

步骤详解 #

让我一步步拆解逻辑，方便你理解：

1. 筛选目标列：我们只需要处理thresholds里定义的列（A、B、Z），所以先提取这些列的数据，忽略非数值列sth。
2. 定位最大值列：用idxmax(axis=1)方法可以快速找到每行最大值对应的列名——比如第0行的最大值在B列，第1行在A列。
3. 阈值匹配与比较：通过map(thresholds)把列名转换成对应的阈值，再将每行的最大值和这个阈值做小于比较，就能得到我们需要的布尔mask。

结果验证 #

对照你的示例需求，逐行验证结果：

• 行0：最大值0.7（B列），B列阈值0.8 → 0.7 < 0.8 → True
• 行1：最大值0.4（A列），A列阈值0.5 → 0.4 < 0.5 → True
• 行2：最大值0.4（Z列），Z列阈值0.3 → 0.4 > 0.3 → False
• 行3：最大值0.9（B列），B列阈值0.8 → 0.9 > 0.8 → False

完全符合你给出的预期结果[True, True, False, False]。

内容的提问来源于stack exchange，提问作者Yurkee