如何根据前置值筛选DataFrame，仅保留符合特定条件的数值？

现有DataFrame df，要生成全0的新DataFrame df2，仅当以下两个条件同时满足时，对应位置设为1：

• 原df中该位置的值是1
• 该位置之前有连续10个0（即从当前行的前一行开始，往前数10行全是0）

你之前写的代码运行后全为0，代码如下：

df2 = df.copy()

for col in df2.columns:
    count_zeros = 0
    for i in range(1, len(df2)):
        if df2[col][i] == 1 and count_zeros == 10:
            df2[col][i] = 1
            count_zeros = 0
        elif df2[col][i] == 1:
            df2[col][i] = 0
            count_zeros = 0
        else:
            count_zeros += 1

举个例子：只有第一列8/11/23和第三列8/16/23位置的1符合要求，应该保留，其他位置全为0。

1. 计数逻辑偏差：你用count_zeros累加遍历过程中的连续0，但这个计数是从列的开头开始累计，不是以当前位置为终点往前数10个。比如中间出现过1会重置计数，但无法准确判断当前位置的前10个是否全为0。
2. 索引遗漏：range(1, len(df2))跳过了索引0的行，就算第一行的1符合条件也不会被处理。
3. 基于修改后的副本计数：你先复制df到df2，再修改df2的值来统计，这会干扰结果——比如原df的1被改成0后，后续会把这个0算进连续0的计数里，但实际上应该基于原始数据的0/1来统计。

方法一：用Pandas向量化操作（推荐，处理大数据更快） #

不用嵌套循环，借助Pandas的分组和累计计算实现：

import pandas as pd

# 先创建全0的df2
df2 = pd.DataFrame(0, index=df.index, columns=df.columns)

for col in df.columns:
    # 把原列的0标记为1，1标记为0，方便统计连续0的长度
    zero_flag = (df[col] == 0).astype(int)
    # 给连续的0分组：每次遇到原数据的1（即zero_flag为0）就换一个分组
    groups = (zero_flag != zero_flag.shift()).cumsum()
    # 计算每个分组内的连续0累计数
    consecutive_zero_count = zero_flag.groupby(groups).cumsum()
    
    # 筛选符合条件的位置：原数据是1，且前面连续0的数量≥10
    valid_positions = (df[col] == 1) & (consecutive_zero_count.shift(1) >= 10)
    # 把符合条件的位置设为1
    df2.loc[valid_positions, col] = 1

方法二：修正循环逻辑（适合小数据集） #

如果一定要用循环，必须基于原始df统计连续0，不能用修改后的df2：

df2 = pd.DataFrame(0, index=df.index, columns=df.columns)

for col in df.columns:
    count_zeros = 0
    for i in range(len(df)):
        val = df[col].iloc[i]
        if val == 1:
            # 检查前面是否攒够了10个连续0
            if count_zeros >= 10:
                df2[col].iloc[i] = 1
            # 遇到1就重置计数
            count_zeros = 0
        else:
            count_zeros += 1

注意点 #

• 如果要求是恰好连续10个0（不是至少10个），把代码里的>=10改成==10即可。
• 方法一用Pandas内置功能，比循环效率高很多，数据集越大差距越明显。

内容的提问来源于stack exchange，提问作者ab ab