如何统计DataFrame中每行相邻数值的上升/下降次数

直接用Pandas内置的向量化差分操作即可，性能远高于逐行遍历的实现，具体逻辑和代码如下：

核心思路 #

对每行的所有时序数值列沿水平方向做相邻差分：

• 差分结果大于0的次数就是上升总次数
• 差分结果小于0的次数就是下降总次数

代码示例 #

import pandas as pd

# 构造示例数据，实际使用时替换为你自己的DataFrame即可
df = pd.DataFrame({
    'yr': [1976],
    'value1': [1],
    'value2': [2],
    'value3': [1],
    'value4': [4]
})

# 筛选需要计算的数值列，这里用filter匹配列名带value的列，也可以手动传列名列表比如['value1','value2','value3','value4']
value_cols = df.filter(like='value').columns
# 沿行方向计算相邻值的差分
row_diff = df[value_cols].diff(axis=1)
# 统计升降次数
df['#increases'] = (row_diff > 0).sum(axis=1)
df['#decreases'] = (row_diff < 0).sum(axis=1)

运行后输出的df就会自带计算好的两列统计值，和你给出的示例结果完全一致。

额外说明 #

如果你的数据存在空值，默认情况下NaN在布尔判断时会被识别为False，不会被计入升降次数，符合大多数场景的需求；如果需要特殊处理空值，可以在计算差分后新增row_diff = row_diff.fillna(0)之类的逻辑自行调整。

内容的提问来源于stack exchange，提问作者BoostedChimp