在df1中新增res列：按ID匹配date B后统计大于dateA的Date C数量

咱们一步步来实现你的需求，先理清楚核心逻辑：要给df1新增res列，每个值对应当前行ID在df2中满足两个条件的date C数量，最后整个res列按降序排列。两个条件是：

• date C大于当前行的date A
• 该ID在df2中的date C总数，多于它在df1中的date B总数（也就是该ID在df1的行数）

步骤1：转换日期格式（关键！） #

首先得把字符串格式的日期转成datetime类型，不然没法做大小比较：

import pandas as pd

# 转换df1的日期列
df1['date A'] = pd.to_datetime(df1['date A'], format='%d/%m/%y')
df1['date B'] = pd.to_datetime(df1['date B'], format='%d/%m/%y')

# 转换df2的日期列（假设df2包含ID和date C列）
df2['date C'] = pd.to_datetime(df2['date C'], format='%d/%m/%y')

步骤2：预计算每个ID的基础计数 #

先算出每个ID在两个DataFrame里的日期数量，用来筛选符合条件的ID：

# 统计df1中每个ID的date B数量（即该ID的行数）
id_b_count = df1['ID'].value_counts()

# 统计df2中每个ID的date C总数
id_c_count = df2['ID'].value_counts()

# 筛选出df2中date C总数 > df1中date B数量的ID
valid_ids = id_c_count[id_c_count > id_b_count].index

步骤3：计算每行的res值 #

接下来对df1的每一行，统计符合条件的date C数量：

def calculate_res(row):
    # 如果ID不在有效列表里，直接返回0
    if row['ID'] not in valid_ids:
        return 0
    # 筛选df2中同ID且date C > 当前行date A的记录
    filtered = df2[(df2['ID'] == row['ID']) & (df2['date C'] > row['date A'])]
    return len(filtered)

# 应用函数生成res列
df1['res'] = df1.apply(calculate_res, axis=1)

步骤4：按res列降序排列 #

最后把df1按res列从大到小排序，满足“降序展示每个ID对应的计数”的要求：

df1 = df1.sort_values(by='res', ascending=False).reset_index(drop=True)

注意事项 #

• 如果你的数据集很大，apply方法可能效率偏低，可以改用merge结合分组统计的方式优化，比如先给df2按ID分组预处理，再和df1合并计算；
• 确保df2里的ID列和df1的ID列是同类型（比如都是整数），避免匹配错误；
• 如果日期格式有变种（比如部分是yyyy/mm/dd），可以调整pd.to_datetime的format参数，或者用infer_datetime_format=True自动推断。

内容的提问来源于stack exchange，提问作者sar