如何在Dataframe中新增列，统计每行Enrol Date对应的前置早于它的Close Date数量

给定如下DataFrame：

需要对Enrol Date列中的每个日期，统计其之前所有行的Close Date列中早于该日期的数量，并将统计结果作为新列（如Prior Dates）添加到DataFrame中。期望结果如下：

步骤1：转换日期列格式 #

首先要把字符串格式的日期转为pandas可识别的日期类型，避免字符串比较的逻辑错误：

import pandas as pd

# 构造示例DataFrame（如果已有数据可跳过此步）
df = pd.DataFrame({
    'Class': ['A']*5,
    'Enrol Date': ['30/10/2003', '22/12/2003', '06/09/2005', '15/11/2005', '27/02/2006'],
    'Close Date': ['05/12/2003', '23/09/2005', '29/09/2005', '07/12/2005', '28/03/2006']
})

# 转换日期格式，dayfirst=True适配日/月/年的格式
df['Enrol Date'] = pd.to_datetime(df['Enrol Date'], dayfirst=True)
df['Close Date'] = pd.to_datetime(df['Close Date'], dayfirst=True)

步骤2：计算Prior Dates列 #

提供两种实现方式，按需选择：

方法1：遍历统计（小数据量直观）

通过遍历每行，截取当前行之前的Close Date数据并统计符合条件的数量：

def count_prior(row_idx, df):
    # 获取当前行之前的所有Close Date
    prior_close = df.loc[:row_idx-1, 'Close Date']
    # 统计小于当前Enrol Date的数量
    return (prior_close < df.loc[row_idx, 'Enrol Date']).sum()

df['Prior Dates'] = [count_prior(i, df) for i in df.index]

方法2：向量化高效计算（大数据量推荐）

利用searchsorted实现快速查找，避免逐行遍历的性能损耗：

close_dates = df['Close Date'].values
df['Prior Dates'] = [close_dates[:i].searchsorted(df['Enrol Date'].iloc[i]) for i in range(len(df))]

验证结果 #

运行代码后，输出的DataFrame与期望结果完全一致：

print(df)

输出：

Class Enrol Date Close Date  Prior Dates
0     A 2003-10-30 2003-12-05            0
1     A 2003-12-22 2005-09-23            1
2     A 2005-09-06 2005-09-29            1
3     A 2005-11-15 2005-12-07            3
4     A 2006-02-27 2006-03-28            4

内容的提问来源于stack exchange，提问作者Robsmith