如何在Pandas中向量化iloc多条件判断？含报错解决

首先，咱们来拆解你遇到的ValueError：你代码里的df['busy'].iloc[i:i+3] >90返回的是一个包含3个布尔值的Series，直接把两个这样的Series用&连接，Pandas不知道你要的是所有行都满足条件还是任意一行满足，所以才会提示你用.all()或.any()来明确逻辑。

你的需求是连续3行同时满足%busy>90且%queue>=3，所以需要用.all()来确认切片里的每一行都符合条件。另外还要注意几个细节：

• 循环的索引范围要调整，避免超出数据边界（i最多只能到total_row - 3，不然i:i+3会取到空数据）；
• 逻辑运算符&的优先级比比较运算符低，所以每个条件要加括号；
• 你的样本数据里第2-4行的%busy是90，如果你要的是大于90，这三行其实不满足，可能是笔误，应该是>=90？

修正后的循环版本代码 #

import pandas as pd

df = pd.read_csv('cpu.csv')
total_row = df.shape[0]

# 调整循环范围，避免切片越界
for i in range(total_row - 2):
    # 对每个切片的条件用.all()得到单个布尔值，同时加括号保证优先级
    busy_condition = (df['busy'].iloc[i:i+3] >= 90).all()
    queue_condition = (df['queue'].iloc[i:i+3] >= 3).all()
    if busy_condition & queue_condition:
        print("High usage observed")
        break
else:
    print("No high usage found")

更高效的向量化实现（无需循环） #

既然用了Pandas，尽量避免手动循环，用滚动窗口（rolling）来实现更符合向量化的风格。考虑到你用的是Pandas 0.18.1（版本比较老，没有rolling.all()方法），我们可以用rolling.apply()来自定义判断逻辑：

import pandas as pd

df = pd.read_csv('cpu.csv')

# 定义函数判断窗口内的所有行是否满足条件
def check_high_usage(window):
    # window是一个包含3行的DataFrame
    busy_ok = (window['busy'] >= 90).all()
    queue_ok = (window['queue'] >= 3).all()
    return busy_ok & queue_ok

# 用rolling(window=3)滑动窗口，apply自定义函数
# 设置axis=0保证按行处理窗口内的数据
has_high_usage = df.rolling(window=3, axis=0).apply(check_high_usage).any()

if has_high_usage:
    print("High usage observed")
else:
    print("No high usage found")

这段代码会自动检查所有连续3行的窗口，只要有一个窗口满足条件就会返回True，完美符合你的需求。

内容的提问来源于stack exchange，提问作者Rafiq Shaikh