如何通过数组快速匹配DataFrame对应行的Count值？

针对你的需求，这里有几种比手动拆解数组元素更高效的实现方式：

方法1：布尔索引向量化匹配 #

利用pandas的向量化操作生成匹配掩码，直接筛选目标行：

import pandas as pd

# 假设你的DataFrame为df
target_arr = [1, 0, 0, 1]
match_cols = ['A', 'B', 'C', 'D']

# 生成所有列都匹配的布尔掩码
match_mask = (df[match_cols] == target_arr).all(axis=1)
# 获取对应Count值
result_count = df.loc[match_mask, 'Count'].iloc[0]

这种方式依赖pandas的底层向量化优化，数据量越大，比逐列判断的优势越明显。

方法2：预构建映射字典（适合多次查询） #

如果需要频繁执行这类查询，提前把多列组合与Count的映射关系存入字典，后续查询直接通过键取值：

# 预构建映射字典，以A/B/C/D的组合为键，Count为值
count_mapping = df.set_index(match_cols)['Count'].to_dict()

# 将查询数组转为元组（列表不能作为字典键）
target_key = tuple(target_arr)
result_count = count_mapping[target_key]

字典查询的时间复杂度是O(1)，多次查询时效率远高于每次重新筛选。

方法3：使用query方法构建查询语句 #

通过字符串拼接生成查询条件，用query方法筛选：

# 拼接查询条件字符串
query_condition = ' and '.join([f"{col} == {val}" for col, val in zip(match_cols, target_arr)])
# 执行查询并获取Count值
result_count = df.query(query_condition)['Count'].iloc[0]

这种方式代码可读性较强，适合简单的查询场景，效率略低于布尔索引，但仍优于手动拆解的方式。

内容的提问来源于stack exchange，提问作者Sam