如何在Pandas每行统计指定范围元素数量？现有实现结果异常

你写的方案完全无法满足需求，核心问题是自定义函数里的条件判断逻辑彻底错误，导致统计结果和预期完全不符。

原代码的错误点 #

• 条件判断逻辑混乱：比如row.loc['A'] and row.loc['B'] and row.loc["C"] in range(1,3)，实际是判断A≠0、B≠0且C在[1,3)，而不是A、B、C三个元素都落在该范围内。
• elif分支逻辑错误：比如row.loc['A'] and row.loc['B'] in range(1,3)是判断A≠0且B在范围，不是A和B都在范围，这完全偏离了“统计落在范围内的元素数量”的需求。

正确的实现方案 #

推荐两种方式，第二种是pandas更高效的向量化操作：

方式一：修复自定义函数逻辑

通过通用函数统计每行落在指定范围的元素个数，避免重复写多个函数：

import pandas as pd
import numpy as np

df = pd.DataFrame(np.random.randint(0,10,size=(10, 3)), columns=list('ABC'))

def count_in_range(row, lower, upper):
    # 遍历行内元素，统计符合范围的数量
    return sum(1 for val in row if lower <= val < upper)

# 生成三个统计列
df['Val_1'] = df.apply(lambda row: count_in_range(row, 1, 3), axis=1)
df['Val_2'] = df.apply(lambda row: count_in_range(row, 3, 6), axis=1)
df['Val_3'] = df.apply(lambda row: count_in_range(row, 6, 10), axis=1)

print(df)

方式二：向量化操作（推荐，效率更高）

直接对整个DataFrame进行范围判断，再按行求和，避免循环，适合大数据集：

import pandas as pd
import numpy as np

df = pd.DataFrame(np.random.randint(0,10,size=(10, 3)), columns=list('ABC'))

# 布尔矩阵按行求和，得到每行符合条件的元素数
df['Val_1'] = ((df >= 1) & (df < 3)).sum(axis=1)
df['Val_2'] = ((df >= 3) & (df < 6)).sum(axis=1)
df['Val_3'] = ((df >= 6) & (df < 10)).sum(axis=1)

print(df)

验证示例 #

拿你输出中的第4行数据A=4, B=6, C=2来说：

• 正确统计结果：Val_1=1（只有C=2在1-3），Val_2=1（只有A=4在3-6），Val_3=1（只有B=6在6-10）
• 原代码输出的Val_1=3、Val_2=1、Val_3=2完全错误，这就是逻辑错误导致的结果偏差。

内容的提问来源于stack exchange，提问作者Felipe