如何将Pandas DataFrame每行二进制值转换为十进制整数Series？

嘿，我来帮你搞定这个二进制转十进制的问题！当你处理百万级（1e6行）的数据集时，用字符串拼接再转换的方法确实会有点拖慢速度，尤其是列数多的时候。这里给你几个更高效的方案，针对你n=5的固定列场景，速度提升特别明显：

方法一：数值矩阵乘法（最快首选） #

这个方法完全避开字符串操作，直接利用二进制位的权重进行数值计算，速度快到离谱。思路是给每一列分配对应的2的幂次权重，然后让DataFrame和权重做矩阵乘法：

import pandas as pd
import numpy as np

# 生成你的测试数据
m = int(1e6)
n = 5
df = pd.DataFrame(np.random.rand(m,n)).round().astype(int)

# 定义每列的权重：假设每行从左到右是二进制的高位到低位（比如第一列是2^4，最后一列是2^0）
weights = 2 ** np.arange(n-1, -1, -1)
# 计算每行对应的十进制数，返回Series
decimal_series = df.dot(weights)

举个例子，如果某行是[1,0,1,0,1]，对应的权重是[16,8,4,2,1]，相乘求和就是16+4+1=21，完全符合二进制转十进制的逻辑。这个方法跑1e6行数据几乎瞬间完成，比字符串方法快几十倍都不止。

方法二：优化版字符串拼接（适合必须用字符串的场景） #

如果你一定要保留字符串处理的思路，可以用agg结合''.join代替原来的sum，效率会比原方法高不少：

decimal_series = df.astype(str).agg(''.join, axis=1).apply(lambda x: int(x, 2))

不过还是那句话，这个方法的速度远不如数值计算，大数据量下不推荐。

方法三：Numpy位运算实现 #

用Numpy的位或和左移操作，也能高效完成转换，逻辑和方法一类似：

arr = df.to_numpy()
decimal_arr = np.zeros(m, dtype=int)
for i in range(n):
    # 把当前列的0/1左移对应位数，然后合并到结果里
    decimal_arr |= arr[:, i] << (n-1 - i)
decimal_series = pd.Series(decimal_arr)

这个方法的速度和方法一接近，也是纯数值运算，适合喜欢用底层位操作的同学。

总结一下：优先选方法一，代码简洁还超快，完全适配你的百万级数据集需求。

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