如何将df的唯一行与df2匹配并统计符合条件的True值总和？

核心思路很明确：先统计df2里除D列外各列的True数量，再根据df每行标记为True的列，把对应列的True数量加起来，最后输出和df索引对齐的结果。

先补个示例数据（方便对应理解） #

import pandas as pd

# 示例df
df = pd.DataFrame({
    'A': [True, False, True],
    'B': [True, True, False],
    'C': [False, True, True]
}, index=['id1', 'id2', 'id3'])

# 示例df2
df2 = pd.DataFrame({
    'A': [True, False, True],
    'B': [False, True, True],
    'C': [True, True, False],
    'D': [True, False, True]  # 要忽略的列
})

正确代码实现 #

# 1. 剔除df2的D列，只保留和df对应的列
df2_clean = df2.drop('D', axis=1)

# 2. 统计df2各列的True总数（布尔值sum时True算1，False算0，刚好统计数量）
col_true_counts = df2_clean.sum(axis=0)

# 3. 按df每行的True列，对应求和得到结果
result = df.dot(col_true_counts).to_frame(name='total_true')

# 查看结果
print(result)

代码逻辑说明 #

• df2.drop('D', axis=1)：直接砍掉不需要的D列，避免干扰后续统计。如果df和df2的列名不完全一致，还可以用df2_clean = df2[df.columns]，确保只保留df有的列，兼容性更强。
• df2_clean.sum(axis=0)：按列统计True的数量，得到一个以列名为索引的Series，比如A列有2个True、B列有2个True这类结果。
• df.dot(col_true_counts)：这步是核心——把df每行的布尔值自动转成0/1，然后和对应列的True数量相乘再相加，刚好实现"只统计df中为True的列对应的df2列True总数"的需求。
• .to_frame(name='total_true')：把结果从Series转成DataFrame，格式完全匹配你要的输出要求。

对应示例的输出 #

total_true
id1           4  # df的id1行A、B为True，df2的A列2个True + B列2个True
id2           4  # df的id2行B、C为True，df2的B列2个True + C列2个True
id3           4  # df的id3行A、C为True，df2的A列2个True + C列2个True

常见错误点（针对无效代码的典型问题） #

• 未提前剔除df2的D列：导致统计时混入了不需要的列数据，结果不符合要求。
• 用循环逐行处理：效率极低，数据量大时会严重卡顿，pandas的向量操作才是正确的处理方式。
• 列匹配逻辑错误：比如硬编码列名而非动态匹配df的True列，一旦列名变动就会失效。

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