如何在Pandas中将值大于1的列名存入名为Remark的新列？

嘿，我来帮你搞定这两个Pandas的问题，咱们先从第二个具体的场景开始，再延伸到通用解法～

问题2：针对示例DataFrame生成"Remark"列 #

首先，咱们先把示例里的DataFrame构造出来，方便你直接测试：

import pandas as pd

# 构造示例数据
df = pd.DataFrame({
    'A': [1, 2, 1, 4],
    'B': [1, 2, 3, 5],
    'C': [2, 2, 1, 2]
})

方法1：用apply逐行处理（直观易懂） #

这个方法逻辑很直接：对每一行筛选出值大于1的列，把列名用逗号拼接起来，放到"Remark"列里：

df['Remark'] = df.apply(lambda row: ','.join(row[row > 1].index), axis=1)

运行后你就能得到期望的结果：

A B C Remark
0 1 1 2 C
1 2 2 2 A,B,C
2 1 3 1 B
3 4 5 2 A,B,C

方法2：用向量化操作dot（高效适合大数据集） #

如果你的数据量很大，apply逐行处理速度会比较慢，推荐用这个向量化的方法，效率更高：

# 先创建布尔掩码：值大于1的位置为True，否则为False
mask = df > 1
# 把掩码转成整数（True→1，False→0），然后和列名+逗号做点积，最后去掉末尾多余的逗号
df['Remark'] = mask.astype(int).dot(df.columns + ',').str.rstrip(',')

这个方法的原理是利用矩阵点积，一次性完成所有行的计算，比逐行处理快很多。

问题1：通用解法（提取满足任意特定条件的列名到新列） #

刚才的方法可以轻松扩展到任意条件，只需要把判断条件替换成你需要的即可：

通用模板1：apply版本 #

# 自定义你的条件，比如这里是"值等于目标值"，你可以改成任意判断逻辑
def get_matching_columns(row):
    # 把row == 'target'替换成你的条件，比如row.isin([1,3,5])或者row.str.contains('abc')（字符串列）
    matching_cols = row[row == 'target'].index
    return ','.join(matching_cols)

# 生成新列，替换"新列名"为你想要的列名
df['新列名'] = df.apply(get_matching_columns, axis=1)

通用模板2：向量化dot版本 #

# 替换成你的条件，比如df.isin([1,3,5])或者df.str.contains('abc')
mask = df == 'target'
df['新列名'] = mask.astype(int).dot(df.columns + ',').str.rstrip(',')

比如如果你的条件是"列值为空"，就把mask改成df.isna()；如果是字符串列包含特定字符，就用df['列名'].str.contains('xxx')（如果是全表判断可以调整逻辑）。

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