Python如何识别大尺寸DataFrame每行指定列的最高值对应列

• 适配规模为11列、17000行的DataFrame处理需求，全程不改动非目标列的原有内容，采用pandas向量化操作完成逐行最高值识别，避免逐行循环的低效率问题
• 本次需求核心是对比男性人口、女性人口两列的数值大小，后续如果需要扩展为3列对比，仅需调整对比列的列表范围即可，逻辑完全通用

匹配题目结构的示例构造 #

按照给定的列结构与示例数据，先构造测试用DataFrame：

import pandas as pd

# 还原题目描述的DataFrame结构
df = pd.DataFrame({
    "Country": ["US", "China", "UK"],
    "Continent": ["NA", "Asia", "Europe"],
    "Population M": [10, 20, 75],
    "Population F": [9, 50, 10],
    "Total Population": [19, 70, 85]
})

核心实现步骤 #

1. 锁定需要参与对比的目标列范围：本次需求的对比范围为男性人口、女性人口两列，若后续扩展为3列对比，直接将第三列的列名加入对比清单即可
2. 调用idxmax(axis=1)逐行返回最大值对应的列名，再通过标签映射把原始列名转换为业务可读的判定结果

# 定义参与对比的列清单
compare_col_list = ["Population M", "Population F"]
# 逐行取最大值所属列，新增独立列存储判定结果
df["Dominant Gender Population"] = df[compare_col_list].idxmax(axis=1)

# 原始列名转成易懂的业务标签
label_map = {
    "Population M": "男性人口更高",
    "Population F": "女性人口更高"
}
df["Dominant Gender Population"] = df["Dominant Gender Population"].map(label_map)

示例输出结果说明 #

按照给定的示例数据跑完逻辑后的判定结果为：

• 美国（US）行：男性人口10M > 女性人口9M，判定为男性人口更高
• 中国（China）行：女性人口50M > 男性人口20M，判定为女性人口更高
• 英国（UK）行：男性人口75M > 女性人口10M，判定为男性人口更高

实操注意事项 #

• 这套向量化逻辑在17000行的数据规模下执行耗时为毫秒级，远快于iterrows()逐行遍历的写法，不要使用低效率的循环逻辑处理这类批量对比场景
• 若对比列存在空值，idxmax()会默认跳过空值返回非空的最大值；如果需要将空值场景单独判定，可提前用fillna()给对比列填充指定默认值
• 若遇到两列数值完全相等的平局场景，idxmax()会默认返回对比列表中位置靠前的列，可根据业务规则提前加判断逻辑处理平局场景

内容的提问来源于stack exchange，提问作者CLook