如何基于Series阈值筛选Pandas DataFrame行并返回对应索引

我正在对44个踏板转动周期（每个周期为长度100的时间序列）中的每个数据点进行序列分析。需要找出**均值偏差DataFrame（形状(44, 100)）中，当行内数值低于对应0.25倍标准差阈值Series（形状(44,)）**时的索引值，最终输出一个包含44个数值的列表。要求将mean_dev的每一行与sd_quarter的对应值进行比较（注：原描述中“每一列”为表述误差，结合数据结构应为每一行）。

# 将(100, 44)的cycles转置为(44, 100)，方便计算expanding.mean
transpose_cycles = cycles.transpose()
# 创建空DataFrame存储结果
cumulative_ave = pd.DataFrame()
sd_quarter = pd.DataFrame()
cum_sd = pd.DataFrame()
mean_dev = pd.DataFrame()
# 计算每个踏板周期整个时间序列的累积均值
cumulative_ave = transpose_cycles.expanding().mean()
# 将(100, 1)的mean_cycle转置为(1, 100)，方便和cumulative_ave计算
mean_transpose = mean_cycle.transpose()
# 计算均值偏差：平均周期 - 累积均值
mean_dev = mean_cycle - cumulative_ave
# 计算每个踏板周期的标准差
cum_sd = transpose_cycles.std(axis=1)
# 计算0.25倍标准差
sd_quarter = cum_sd*0.25

• mean_dev信息：

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 44 entries, 0 to 43
Data columns (total 100 columns):
dtypes: float64(100)

• sd_quarter信息：

<class 'pandas.core.series.Series'>
RangeIndex: 44 entries, 0 to 43
Series name: None
Non-Null Count  Dtype
----------------------------
44 non-null     float64
dtypes: float64(1)

以下代码可实现需求，通过矢量化操作高效完成逐行比较，最终生成包含44个数值的列表：

# 逐行比较，获取每行第一个小于对应sd_quarter值的列索引
result = mean_dev.lt(sd_quarter, axis=0).idxmax(axis=1).tolist()

代码说明 #

• mean_dev.lt(sd_quarter, axis=0)：逐行判断mean_dev的元素是否小于sd_quarter的对应值，返回布尔值DataFrame
• .idxmax(axis=1)：对每行取第一个为True的列索引（True对应数值1，False对应0，idxmax会返回第一个最大值的位置）
• .tolist()：将结果转换为列表，得到包含44个元素的最终输出

内容的提问来源于stack exchange，提问作者DanWilliams99