高效遍历DataFrame并应用条件：为车辆划分行程

直接用Pandas的分组+矢量化计算就能高效实现需求，完全不需要iterrow()这类低效循环：

import pandas as pd

# 构造示例DataFrame（实际使用时替换为你的大型数据）
data = {
    'vehicle id': [0,0,0,0,0,1,1,1,1,1,1,1],
    'delta': [0,20,40,400,10,0,10,500,10,10,100,10]
}
df = pd.DataFrame(data)

# 核心逻辑：按车辆分组计算行程编号
df['Trip'] = (
    df.groupby('vehicle id')['delta']
    # 对每个组，标记delta>50的行并累积计数，加1后转为trip_*格式
    .apply(lambda grp: (grp > 50).cumsum() + 1)
    .map(lambda num: f'trip_{num}')
)

# 查看结果
print(df)

逻辑说明 #

1. 分组隔离：通过groupby('vehicle id')确保每个车辆的行程编号独立计算，互不干扰
2. 累积计数：对每个组的delta列，用grp > 50生成布尔序列（满足条件为1，否则为0），再用cumsum()累积求和——每次遇到delta>50时，累积值就会+1，对应行程编号的递增
3. 格式转换：累积计数初始为0，加1后对应初始的trip_1，再通过map把数字转为要求的字符串格式

性能优势 #

这个方案全程用Pandas的矢量化操作，所有计算都在底层优化的C环境中执行，相比iterrow()这类Python级循环，处理百万级以上数据时性能能提升几十甚至上百倍，完全适配大型DataFrame的需求。

运行后输出结果与预期完全一致：

vehicle id  delta    Trip
0            0      0  trip_1
1            0     20  trip_1
2            0     40  trip_1
3            0    400  trip_2
4            0     10  trip_2
5            1      0  trip_1
6            1     10  trip_1
7            1    500  trip_2
8            1     10  trip_2
9            1     10  trip_2
10           1    100  trip_3
11           1     10  trip_3

内容的提问来源于stack exchange，提问作者Mohammad.sh