如何在Python中对多列按行实现SUMIF与COUNTIF功能

核心思路 #

由于表头不固定，我们通过0-based列索引指定目标列（Excel的第2列对应pandas的索引1，第4列对应索引3，以此类推，直到第18列对应索引17），然后对这些列逐行应用条件统计。

步骤代码实现 #

假设你已经用pandas读取了Excel文件，得到DataFrame对象df：

1. 定义目标列索引

先列出需要统计的列的索引（0-based）：

# 对应Excel的第2、4、6...18列
target_col_indices = list(range(1, 19, 2))  # 生成[1,3,5,...,17]

2. 实现条件计数（等价于Excel COUNTIF）

统计每行中目标列里≥0.05的数值数量：

# 先筛选出目标列，再判断每个值是否≥0.05，最后按行求和（True=1，False=0）
df['count_ge_0.05'] = df.iloc[:, target_col_indices].ge(0.05).sum(axis=1)

• iloc[:, target_col_indices]：通过索引选取目标列
• ge(0.05)：等价于>=0.05，返回布尔值矩阵
• sum(axis=1)：按行求和，得到每行符合条件的数量

3. 实现条件求和（等价于Excel SUMIF）

对每行中目标列里≥0.05的数值求和：

# 先筛选目标列，将不符合条件的值替换为0，再按行求和
df['sum_ge_0.05'] = df.iloc[:, target_col_indices].where(df.iloc[:, target_col_indices] >= 0.05, 0).sum(axis=1)

• where(condition, 0)：保留符合条件的值，不符合的替换为0
• sum(axis=1)：按行求和得到符合条件的数值总和

处理非数值列（可选） #

如果目标列存在非数值数据，先转换为数值类型（无法转换的设为NaN，不参与统计）：

# 转换目标列为数值类型
numeric_target_cols = df.iloc[:, target_col_indices].apply(pd.to_numeric, errors='coerce')
# 再进行计数和求和
df['count_ge_0.05'] = numeric_target_cols.ge(0.05).sum(axis=1)
df['sum_ge_0.05'] = numeric_target_cols.where(numeric_target_cols >= 0.05, 0).sum(axis=1)

内容的提问来源于stack exchange，提问作者Samuel Sam