如何使用Pandas新增列实现COUNTIFS多条件计数统计

针对逐行展示对应主管名下男性员工总数的需求，以下是两种可直接复用的Pandas原生实现方案：

方法1：向量化实现（推荐，大数据量性能最优） #

这个方案先统一完成分组统计，再做值映射，不会逐行遍历全表，十万行以上数据也能快速出结果：

import pandas as pd

# 第一步：统计每个主管名下的男性员工总数
# 先筛选性别为男的记录，按主管分组计数
male_count = df[df["员工性别"] == "男"].groupby("对应主管姓名")["员工姓名"].count()

# 第二步：映射结果到新列，空值填0（对应主管无男性下属的场景），转成整数格式
df["主管名下男性员工总人数"] = df["对应主管姓名"].map(male_count).fillna(0).astype(int)

• 性能优势：全程用Pandas向量化运算，不需要逐行扫描全表，百万行级数据也能秒级返回结果
• 边界处理：fillna(0)用于覆盖某主管名下没有男性员工的场景，避免新列出现空值，最后转成整数类型更符合计数结果的展示习惯
• 多条件扩展：如果要叠加更多计数规则（比如同时要求入职满1年、绩效为A等），只要在第一步筛选数据时追加对应的布尔判断即可，例：df[(df["员工性别"] == "男") & (df["入职年限"] >= 1) & (df["绩效等级"] == "A")]，和COUNTIFS追加条件的逻辑完全一致

方法2：类Excel公式写法（小数据集可读性最高） #

如果数据量不大（10万行以内），可以用和Excel COUNTIFS逻辑完全一致的写法，新手更容易理解和调整条件：

df["主管名下男性员工总人数"] = df.apply(
    lambda row: (
        (df["对应主管姓名"] == row["对应主管姓名"]) 
        & (df["员工性别"] == "男")
    ).sum(),
    axis=1
)

• 逻辑对齐Excel：写法和在Excel里写COUNTIFS(主管列, 当前行主管, 性别列, "男")的思路完全一致，学习成本低
• 适用场景：小数据集下用这个写法几乎感知不到性能差异，调整条件更灵活，每一个(df["列名"] == 判定值)片段就对应COUNTIFS函数里的一组「条件区域-条件」参数，加新条件时直接用&拼接新判断语句即可

注意：如果源数据里「对应主管姓名」列存在空值，建议先做缺失值填充或者过滤，否则统计时会把空值当作一个独立的主管分组，出现不符合预期的计数结果。

以3列结构的测试数据为例，代码运行后新列的效果参考：

员工姓名	对应主管姓名	员工性别	主管名下男性员工总人数
张A	刘主管	男	3
李B	刘主管	女	3
王C	陈主管	男	1
赵D	刘主管	男	3
孙E	刘主管	男	3
周F	陈主管	女	1

内容的提问来源于stack exchange，提问作者Karthik P H