如何对pandas Series/DataFrame的标签值执行条件递减，适配已删除类别

原有代码无法生效的核心原因是：遍历pandas Series时取出的label是值拷贝，修改局部变量不会同步修改原Series的存储值，且双层循环的执行效率极低，更适合用向量化操作实现需求。

实现方式1：apply写法（易理解，适合中小数据量） #

逻辑为对每个标签，统计小于当前标签的待删除类数量，直接用原标签减去该数值即可：

import numpy as np

classes_to_remove = [1, 3] # 替换为你实际的待删除类列表
remove_arr = np.array(classes_to_remove)

# 计算后直接赋值回原DataFrame的labels列
df_known["labels"] = df_known["labels"].apply(lambda x: x - (remove_arr < x).sum())

实现方式2：纯向量化写法（高性能，适合十万级以上大数据量） #

通过numpy广播机制避免循环开销，运行效率更高：

import numpy as np

classes_to_remove = [1, 3] # 替换为你实际的待删除类列表
remove_arr = np.array(classes_to_remove)

label_values = df_known["labels"].values
# 向量化统计每个标签对应要减去的数值
sub_count = (label_values[:, None] > remove_arr).sum(axis=1)
df_known["labels"] = label_values - sub_count

效果验证 #

• 针对第一个示例：classes_to_remove = [1, 3]，输入labels = [0, 2, 4]，运行后输出为[0, 1, 2]，符合预期。
• 针对第二个示例：classes_to_remove = [2]，原unique标签为[0, 1, 3, 4, 5, 6, 7]，运行后所有大于2的标签统一减1，最终unique标签为[0, 1, 2, 3, 4, 5, 6]，符合预期。

内容的提问来源于stack exchange，提问作者I M