如何在满足条件时用Pandas DataFrames实现单元格+1计数

问题1：如何在满足if条件时，使用Pandas DataFrames将单元格的值加1？ #

有两种高效实现方式：

• 单个单元格更新：使用df.at[row_index, column_name] += 1，精准定位单个单元格并累加，适合目标明确的场景。
• 批量行更新：通过布尔索引配合loc实现向量化操作，比如df.loc[df['判断列'] == 条件, '目标列'] += 1，这种方式无需遍历每行，处理大数据集时效率极高。

问题2：检测CSV同一行两列值相等时，更新另一个DataFrame对应单元格并统计次数 #

针对你的需求，原代码的while循环遍历效率极低，推荐用Pandas向量化操作优化，完整方案如下：

优化思路 #

1. 建立活动编码与目标列名的映射字典，避免重复编写判断逻辑；
2. 筛选出两列值相等的行，统计各类活动的匹配次数；
3. 批量更新目标DataFrame的对应单元格。

完整优化代码 #

import pandas as pd

# 读取数据集
final_activities = pd.read_csv(
    "VPN2/VPN2_Final_Activities.csv",
    delimiter=';',
    names=['Timerels', 'ActivityClass_Ankle', 'ActivityClass_Hip', 'ActivityClass_Thigh', 'ActivityClass_Wrist', 'ActivityClass_Annotation'],
    skip_blank_lines=True,
    skipinitialspace=True,
    engine='python',
    header=0
)

matricsFile = pd.read_csv(
    "VPN2/VPN2_Final_Matrics.csv",
    delimiter=';',
    names=['lying', 'cycling', 'ascending stairs', 'jogging', 'descending stairs', 'walking', 'standing', 'sitting', 'unknown'],
    skip_blank_lines=True,
    skipinitialspace=True,
    engine='python',
    header=0
)

# 活动编码与列名的映射关系
activity_mapping = {
    1: 'lying',
    3: 'cycling',
    4: 'ascending stairs',
    5: 'jogging',
    6: 'descending stairs',
    7: 'walking',
    9: 'standing',
    11: 'sitting',
    0: 'unknown'
}

# 转换列类型为整数，确保匹配准确
final_activities['ActivityClass_Annotation'] = final_activities['ActivityClass_Annotation'].astype(int)
final_activities['ActivityClass_Ankle'] = final_activities['ActivityClass_Ankle'].astype(int)

# 筛选两列值相等的行，并统计每个活动的出现次数
matched_rows = final_activities[final_activities['ActivityClass_Annotation'] == final_activities['ActivityClass_Ankle']]
match_counts = matched_rows['ActivityClass_Annotation'].value_counts().to_dict()

# 更新matricsFile中的对应单元格
for code, col_name in activity_mapping.items():
    if code in match_counts:
        matricsFile.at[1, col_name] += match_counts[code]

# 可选：保存更新后的统计文件
# matricsFile.to_csv("VPN2/VPN2_Final_Matrics_Updated.csv", sep=';', index=False)

优化优势 #

• 效率提升：向量化操作基于底层C实现，相比逐行循环，处理大数据集时速度提升数十倍；
• 代码简洁：映射字典统一管理活动编码与列名，新增或修改活动只需调整字典，无需修改多处判断逻辑；
• 稳定性高：避免循环中可能出现的索引错误，逻辑更清晰。

内容的提问来源于stack exchange，提问作者Edwin von Lemberg