如何用Python为DataFrame添加Similar列：判断至少3个cosinesin值>0.5

你可以通过Pandas的行级统计操作快速实现这个需求，核心思路是筛选出相似度列、统计每行符合条件的数量，再判断是否满足阈值：

方法一：通过列名关键词筛选（灵活适配列名） #

import pandas as pd

# 假设你的数据存储在DataFrame df中
# 筛选所有包含"cosinesin"的列，统计每行中大于0.5的数量，判断是否≥3
df['Similar'] = df.filter(like='cosinesin').gt(0.5).sum(axis=1) >= 3

方法二：指定固定列名（更精准） #

如果确定列名是cosinesin1到cosinesin6，可以直接指定列列表，避免意外匹配其他列：

cos_cols = [f'cosinesin{i}' for i in range(1, 7)]
df['Similar'] = df[cos_cols].gt(0.5).sum(axis=1) >= 3

代码解释 #

• df.filter(like='cosinesin') / df[cos_cols]：获取所有需要判断的相似度列
• .gt(0.5)：将每个值与0.5比较，生成布尔值矩阵（大于0.5为True，否则False）
• .sum(axis=1)：按行求和，True会被转换为1，False转换为0，得到每行符合条件的数量
• >=3：判断数量是否达到阈值，生成最终的Similar列（True/False）

内容的提问来源于stack exchange，提问作者Python-data