在Pandas中统计DataFrame列值大于等于另一DataFrame列值的次数

看起来你需要给df添加一列count_greaterandequal，根据你给出的预期输出推断，实际需求应该是：每行的值对应df_2['r_no']中小于等于当前行r_no的元素总数量（按原描述的“大于等于”计算结果和预期不符，这里先按预期结果实现）。下面是具体的解决方案：

第一步：还原原始数据 #

先构造题目中给出的两个DataFrame：

import pandas as pd

df = pd.DataFrame()
df['r_no'] = [1,1,1,2,3,1,1,1,2]
df['user'] = ['sam','sam','sam','sam','peter','jack','jack','Kris','peter']
df['value'] = [76,76,7,8,8,2,29,2,8]
df['cam_id'] = ['ab','abc','ab','ab','ab','abcd','abcd','abcd','ab']

df_2 = pd.DataFrame()
df_2['r_no'] = [1,3,2,2,4,1,1,3,2,5,7,2,8,9,3]

第二步：核心实现代码 #

我们用统计频率+累积求和的方式高效计算，避免逐行遍历的低效问题：

# 1. 统计df_2中每个r_no的出现次数，并按r_no从小到大排序
r_no_counts = df_2['r_no'].value_counts().sort_index()

# 2. 计算累积求和，得到每个r_no对应的<=它的总元素数量
cumulative_counts = r_no_counts.cumsum()

# 3. 将结果映射到df的新列，用fillna处理可能的缺失值（比如df有df_2没有的r_no）
df['count_greaterandequal'] = df['r_no'].map(cumulative_counts).fillna(0).astype(int)

# 查看最终结果
print(df['count_greaterandequal'])

输出结果 #

运行代码后会得到和你预期完全一致的结果：

0     3
1     3
2     3
3     7
4    10
5     3
6     3
7     3
8     7
Name: count_greaterandequal, dtype: int64

代码逻辑解释 #

1. value_counts().sort_index()：先统计df_2中每个r_no的出现次数，再按r_no从小到大排序，得到的结果如下：

   1    3
   2    4
   3    3
   4    1
   5    1
   7    1
   8    1
   9    1
   Name: r_no, dtype: int64
   

2. cumsum()：对排序后的计数做累积求和，这样每个r_no对应的结果就是所有小于等于它的元素总数量：

   1     3
   2     7
   3    10
   4    11
   5    12
   7    13
   8    14
   9    15
   Name: r_no, dtype: int64
   

3. map()：快速将df中的每个r_no映射到对应的累积计数，比逐行循环计算效率高得多。

补充：如果需求确实是“大于等于当前r_no” #

如果你原本的需求真的是统计df_2中大于等于当前行r_no的元素数量，只需要调整排序方向即可：

# 按r_no从大到小排序后累积求和
r_no_counts_desc = df_2['r_no'].value_counts().sort_index(ascending=False)
cumulative_counts_desc = r_no_counts_desc.cumsum()
df['count_greaterandequal'] = df['r_no'].map(cumulative_counts_desc).fillna(0).astype(int)

不过这个结果和你给出的预期不符，所以推测你实际需要的是前面的实现。

内容的提问来源于stack exchange，提问作者andjkd