解决Pandas中按动态条件统计符合要求行数的循环卡顿问题

现有店铺坐标数据如下：

data={'ID':['1','2','3','4'],'X':[23,22,21,24],'Y':[44,45,41,46],'X_MIN':[22,21,20,23],'Y_MIN':[43,44,40,45]}

对应表格：

需求：为每个店铺，用其自身的X_MIN和Y_MIN作为条件，统计所有满足X >= X_MIN且Y >= Y_MIN的店铺数量，期望结果：

final={'ID':['1','2','3','4'],'count':[3,3,4,1]}

对应表格：

用户尝试用Pandas循环实现，但代码逻辑错误，代码如下：

test=df
calc=[]

for i, row in df.iterrows():
    test['X_MIN']=row['X_MIN']
    test['Y_MIN']=row['Y_MIN']
    count=test[['X','Y','X_MIN','Y_MIN']].query('X>=X_MIN and Y>=Y_MIN')
    a=count['X'].count()
    calc.append(a)

• test = df是引用赋值，修改test的列会直接覆盖原df的X_MIN和Y_MIN，导致后续循环的条件完全错误。
• 每次循环将所有行的X_MIN/Y_MIN替换为当前行的值，相当于所有店铺都用同一个条件判断，而非用每个店铺的原始条件匹配全量数据。

方案1：修复循环逻辑 #

不修改原数据，每次用当前行的条件匹配原数据的所有行：

import pandas as pd

data={'ID':['1','2','3','4'],'X':[23,22,21,24],'Y':[44,45,41,46],'X_MIN':[22,21,20,23],'Y_MIN':[43,44,40,45]}
df = pd.DataFrame(data)
calc = []

for _, row in df.iterrows():
    # 用当前行的条件筛选原数据中符合要求的行
    mask = (df['X'] >= row['X_MIN']) & (df['Y'] >= row['Y_MIN'])
    count = mask.sum()  # 布尔值求和，True=1、False=0
    calc.append(count)

# 生成结果表
final_df = pd.DataFrame({'ID': df['ID'], 'count': calc})
print(final_df)

输出符合预期：

ID  count
0  1      3
1  2      3
2  3      4
3  4      1

方案2：向量化操作（高效推荐） #

利用Pandas广播机制批量判断，避免循环，数据量越大效率优势越明显：

import pandas as pd

data={'ID':['1','2','3','4'],'X':[23,22,21,24],'Y':[44,45,41,46],'X_MIN':[22,21,20,23],'Y_MIN':[43,44,40,45]}
df = pd.DataFrame(data)

# 广播运算生成布尔矩阵，判断每个店铺的X/Y是否满足其他店铺的X_MIN/Y_MIN
x_mask = df['X'].values[:, None] >= df['X_MIN'].values
y_mask = df['Y'].values[:, None] >= df['Y_MIN'].values

# 两个条件同时满足，每行求和得到对应店铺的计数
counts = (x_mask & y_mask).sum(axis=0)

# 生成结果表
final_df = pd.DataFrame({'ID': df['ID'], 'count': counts})
print(final_df)

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