Pandas分组统计与更新：按ID统计Coeff>Result次数并更新TP/FP

嘿，我来帮你搞定这个需求！用pandas可以很流畅地实现你的统计逻辑，下面是具体步骤和代码：

步骤1：筛选目标行 #

首先我们只需要关注Status列为1的记录，先把这部分数据筛选出来：

# 筛选Status=1的子集
target_rows = df[df['Status'] == 1]

步骤2：按ID统计符合条件的次数 #

接下来按ID分组，统计每个ID下Coeff大于Result的次数：

# 分组统计次数，结果保存为带count列的DataFrame
id_counts = target_rows.groupby('ID').apply(
    lambda group: (group['Coeff'] > group['Result']).sum()
).reset_index(name='count')

这里的apply函数会对每个ID对应的组，计算Coeff > Result的布尔值之和（True=1，False=0），得到的就是每个ID符合条件的次数。

步骤3：计算TP和FP #

最后根据count列的值，统计TP和FP的数量：

# 统计次数>3的ID数量（TP）
TP = len(id_counts[id_counts['count'] > 3])
# 统计次数<=3的ID数量（FP）
FP = len(id_counts[id_counts['count'] <= 3])

补充说明 #

如果你的数据集里存在没有Status=1记录的ID，这些ID不会被统计到id_counts里，如果你需要把它们归为FP（或者其他逻辑），可以先获取所有唯一ID，再和id_counts做左连接，把缺失的count填充为0后再统计。比如：

import pandas as pd

# 获取所有唯一ID
all_ids = df['ID'].unique()
# 转换为DataFrame
all_ids_df = pd.DataFrame({'ID': all_ids})
# 左连接，填充缺失的count为0
id_counts_full = pd.merge(all_ids_df, id_counts, on='ID', how='left').fillna(0)
# 重新统计TP和FP
TP = len(id_counts_full[id_counts_full['count'] > 3])
FP = len(id_counts_full[id_counts_full['count'] <= 3])

这样就完全覆盖了所有ID的情况啦！

内容的提问来源于stack exchange，提问作者python