如何用Pandas高效实现DataFrame逐行列间递变关系判断？

给定目标DataFrame：

id    c1    c3    c5    c7
1     10    11    12    13
2     10    14    11    13
3     15    14    12    10

需求是逐行对比相邻列（c1与c3、c3与c5、c5与c7）：严格递减标记1，严格递增标记-1，其余情况标记0。用循环实现效率太低，这里给出更简洁高效的Pandas方案：

步骤1：构造示例数据 #

import pandas as pd
import numpy as np

df = pd.DataFrame({
    'id': [1,2,3],
    'c1': [10,10,15],
    'c3': [11,14,14],
    'c5': [12,11,12],
    'c7': [13,13,10]
})

步骤2：核心处理逻辑 #

# 提取需要比较的列（排除id列，也可按列名规则筛选：df.filter(regex='^c\d+$')）
compare_cols = df.columns[1:]

# 计算后列与前列的差值，去掉首列的NaN（无前置列可对比）
diff_vals = df[compare_cols].diff(axis=1).iloc[:, 1:]

# 根据差值映射结果：diff<0（后列<前列，严格递减）→1；diff>0（后列>前列，严格递增）→-1；否则0
result = np.select(
    [diff_vals < 0, diff_vals > 0],
    [1, -1],
    default=0
)

# 给结果列命名，匹配对应对比的列对
result_cols = [f'{col1}_{col2}' for col1, col2 in zip(compare_cols[:-1], compare_cols[1:])]
result_df = pd.DataFrame(result, columns=result_cols)

# 合并原id列与结果，得到最终DataFrame
final_df = pd.concat([df[['id']], result_df], axis=1)

最终输出结果 #

id  c1_c3  c3_c5  c5_c7
1     -1     -1     -1
2     -1      1     -1
3      1      0      1

说明 #

• 利用diff(axis=1)批量计算行内相邻列差值，比循环遍历高效数倍
• np.select可以快速实现多条件值映射，逻辑清晰且性能优异
• 若列名规律固定（比如都是c加奇数），用df.filter(regex='^c[1357]$')能更精准筛选目标列，适配不同列位置的情况

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