如何在Pandas DataFrame中统计每行指定值的出现次数？

我希望编写一个函数，在Pandas DataFrame的每行中搜索'cam1'或'cam2'，并将匹配次数作为新列输出。

现有DataFrame定义如下：

import pandas as pd
df = pd.DataFrame({'A':['cam1','cam2','cam1','cam4'],'B':['cam2', 'cam1', 'cam4', 'cam3'],'C':['cam3','cam4', 'cam5','cam2']})

对应的表格：

期望输出为添加Count列的DataFrame：

请问是否可以不使用大量if-else语句实现该需求？

完全可以不用大量if-else语句，Pandas提供了多种简洁的向量化操作来高效实现这个需求，以下是几种实用方法：

方法一：isin() + sum()（推荐） #

利用isin()判断每个元素是否属于目标列表，再按行求和，这是最简洁高效的向量化实现：

targets = ['cam1', 'cam2']
df['Count'] = df.isin(targets).sum(axis=1)

方法二：多条件eq() + sum() #

如果需要单独指定匹配值，可通过等于判断后累加次数：

df['Count'] = (df == 'cam1').sum(axis=1) + (df == 'cam2').sum(axis=1)

方法三：apply()配合简单判断（灵活但效率稍低） #

如果需要自定义更复杂的匹配逻辑，可使用apply，但此方法适合小数据集，大数据集优先选用前两种向量化方法：

def count_matches(row):
    count = 0
    for val in row:
        if val in ['cam1', 'cam2']:
            count += 1
    return count

df['Count'] = df.apply(count_matches, axis=1)

以上方法均无需堆砌if-else语句，前两种向量化操作的执行效率远高于循环判断。

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