Pandas groupby多列比较 按Param统计Value<Limit的记录数

核心问题出在提前筛选掉了不符合Value < Limit的行，分组时自然不会出现计数为0的Param，不用提前筛行，直接对判断结果做分组统计就能保留所有Param条目。

方法1：布尔值分组求和（最简洁推荐） #

df['Value'] < df['Limit']会返回逐行的布尔结果，其中True等价于数值1、False等价于0，按Param分组对这个布尔列求和，直接就能得到每个Param下符合条件的总记录数，所有Param都会保留，不符合条件的自动统计为0：

result = df.assign(flag=df['Value'] < df['Limit']) \
           .groupby('Param', as_index=False)['flag'] \
           .sum() \
           .rename(columns={'flag': 'Count'})

跑示例数据的输出完全匹配预期：

Param  Count
0     A      1
1     B      1
2     C      1
3     D      0
4     E      0

方法2：保留原有筛选逻辑，补全索引填0 #

如果想沿用先筛选再计数的写法，可以在分组计数后，用全量Param列表重建索引，把缺失的Param计数填充为0：

# 取全量唯一Param作为完整索引
full_param_index = df['Param'].unique()

# 筛选后分组计数，对齐全量索引将缺失的Param计数填0
result = df[df['Value'] < df['Limit']] \
           .groupby('Param')['Value'] \
           .count() \
           .reindex(full_param_index, fill_value=0) \
           .reset_index() \
           .rename(columns={'Value': 'Count'})

方法1不需要生成筛选后的子集，代码更短，大数据量下性能也更好，优先使用。

内容的提问来源于stack exchange，提问作者dinn_