如何在DataFrame中检测特定值序列内的历史条件触发情况？

用Pandas的矢量化分组+位移操作就能高效实现，步骤清晰且性能拉满，适合处理大数据量：

1. 标记连续值区块：先给condition列的连续相同值生成组ID，方便后续对连续T段做分组判断：

import pandas as pd

# 构造示例数据
df = pd.DataFrame({
    'condition': [False, False, False, True, True, True, False, False, False, True, True, True, True, True, False],
    'operator': [False, False, False, True, False, False, False, False, False, False, False, True, True, False, False]
})

# 生成连续值的组ID：相邻值不同时组ID+1
df['group'] = df['condition'].ne(df['condition'].shift()).cumsum()

2. 预计算每个T组的operator存在性：对所有condition为True的组，判断组内是否存在operator为True的行，生成组ID到判断结果的映射：

# 提取T组，计算每组是否有operator=T，转成字典映射
group_has_operator = df[df['condition']].groupby('group')['operator'].any().to_dict()

3. 定位切换点并赋值result：找到所有「前一行是T、当前行是F」的切换行，根据前一个T组的判断结果设置result，其余行默认False：

# 初始化result列为全False
df['result'] = False

# 定位切换点：当前行是F，且上一行是T
switch_points = (df['condition'] == False) & (df['condition'].shift() == True)

# 给切换点赋值：取前一个T组的判断结果
df.loc[switch_points, 'result'] = df.loc[switch_points, 'group'].apply(lambda x: group_has_operator.get(x-1, False))

# 清理临时的group列（可选）
df = df.drop('group', axis=1)

运行后得到的result列完全匹配示例要求。

为什么这是最优方案？ #

• 时间复杂度O(n)：所有操作都是Pandas内部优化的矢量化运算，比循环遍历快几个数量级，适配百万级行的大表。
• 逻辑直观：每一步对应需求的一个环节，代码可读性强，后期好维护。
• 无冗余操作：只用原生Pandas函数完成，不需要额外依赖复杂数据结构。

内容的提问来源于stack exchange，提问作者adsjr