如何用Python实现DataFrame中基于列触发的状态维持逻辑？

直接用分组+累积和的向量化方法，避免循环，高效处理数千行数据：

import pandas as pd

# 核心代码（假设你的DataFrame名为df）
df['reset_group'] = df['col C'].cumsum()
df['col A'] = df.groupby('reset_group')['col B'].cumsum().ge(1).astype(int)

# 可选：删除临时分组列
df.drop('reset_group', axis=1, inplace=True)

逻辑说明 #

1. 分组标记：用df['col C'].cumsum()生成分组键，每次col C出现1时，分组号+1，把数据切割成「从重置信号（col C=1）到下一次重置信号」的独立片段。
2. 组内激活判断：每个分组内，计算col B的累积和，只要累积和≥1，说明该分组内已经出现过激活信号（col B=1），后续所有行保持1；累积和为0时则保持0。

边界情况处理 #

如果某一行同时出现col B=1和col C=1，当前逻辑会优先触发重置（进入新分组），新分组内的col B=1会让该行的col A=1。若需要优先重置（即该行col A=0），可以调整顺序：

# 优先处理重置的边界情况
df['reset_group'] = df['col C'].shift(fill_value=0).cumsum()
df['col A'] = df.groupby('reset_group')['col B'].cumsum().ge(1).astype(int)

原代码问题分析 #

原代码混淆了col A和col B的逻辑，且循环遍历行的方式不仅效率低，还没正确处理「激活后保持直到重置」的状态继承逻辑。

内容的提问来源于stack exchange，提问作者PythonNoob