在Pandas中比较多列值，统计D列小于其他列的次数并生成Count列

嘿，这个需求很常见，我给你两个实用的实现方式，其中第一个是效率最高的向量化操作，非常适合处理大数据量的DataFrame！

方法1：使用Pandas向量化比较（推荐） #

这种方法利用Pandas的内置函数，完全避免逐行循环，速度快到飞起。核心思路是把A、B、C三列和D列做小于比较，得到布尔值矩阵，再对每行求和（因为True等价于1，False等价于0）。

代码示例：

import pandas as pd

# 构造符合你示例的样例数据
data = {
    'A': [10, 5, 8, 3],
    'B': [12, 7, 6, 4],
    'C': [15, 9, 7, 5],
    'D': [16, 8, 7, 3]
}
df = pd.DataFrame(data)

# 计算Count列
df['Count'] = df[['A', 'B', 'C']].lt(df['D'], axis=0).sum(axis=1)

print(df)

运行结果：

A   B   C   D  Count
0  10  12  15  16      0
1   5   7   9   8      1  # D=8 < C=9，所以次数为1
2   8   6   7   7      1  # D=7 < A=8，所以次数为1
3   3   4   5   3      2  # D=3 < B=4、C=5，所以次数为2

代码解释：

• df[['A', 'B', 'C']].lt(df['D'], axis=0)：lt是"less than"的缩写，会逐行比较A/B/C列的值是否小于D列对应行的值，生成一个布尔型DataFrame。
• .sum(axis=1)：对每行的布尔值求和，统计True的数量，也就是D小于A/B/C的次数。

方法2：使用apply逐行处理（适合小数据量） #

如果你的DataFrame行数不多，也可以用apply逐行遍历计算，代码更直观，但效率不如向量化操作。

代码示例：

df['Count'] = df.apply(
    lambda row: sum(row[col] > row['D'] for col in ['A', 'B', 'C']),
    axis=1
)

代码解释：

• 用lambda函数遍历每一行，检查A/B/C列的值是否大于D列的值（等价于D小于该列），然后统计符合条件的数量。

内容的提问来源于stack exchange，提问作者palutuna