。我有一个看起来与此类似的数据框（除了Visit和Deliv列的数量上升到Visit_12和Deliv 12并且有几百个客户端 - 我在这里简化了它）
Client Visit_1 Visit_2 Visit_3 Deliv_1 Deliv_2 Deliv_3 Key_DT
Client_1 2018-01-01 2018-01-20 2018-03-29 No Yes Yes 2018-01-15
Client_2 2018-01-10 2018-01-30 2018-02-10 Yes Yes No 2018-01-25
Client_3 2018-01-20 2018-04-01 2018-04-10 Yes Yes Yes 2018-04-15
Client_4 2018-01-30 2018-03-01 2018-03-10 Yes No Yes 2018-02-25
Client_5 2018-04-02 2018-04-07 2018-04-20 Yes No Yes 2018-04-01
我想创建一个名为Vis_sum的新列，对于所有在Key_DT之后但在2018-01-20之前有2018-03-25的客户，显示从Visit_1到Visit_3的访问次数的总和，（i）在同一行中的Key_DT之后，（ii） ）来自2018-03-25和（iii）在相关的Yes列中有Deliv（例如Deliv_1与Visit_1相关）。它看起来应该是这样的
Client Visit_1 Visit_2 Visit_3 Deliv_1 Deliv_2 Deliv_3 Key_DT Vis_sum
Client_1 2018-01-01 2018-01-20 2018-03-29 No Yes Yes 2018-01-15 0
Client_2 2018-01-10 2018-01-30 2018-02-10 Yes Yes No 2018-01-25 1
Client_3 2018-01-20 2018-04-01 2018-04-10 Yes Yes Yes 2018-04-15 0
Client_4 2018-01-30 2018-03-01 2018-03-10 Yes No Yes 2018-02-25 1
Client_5 2018-04-02 2018-04-07 2018-04-20 Yes No Yes 2018-04-01 0
请注意 - 所有列中都缺少数据，因此必须考虑这一点。
我尝试了以下 - 但它不起作用。虽然部分（i）和（ii）的代码在一起尝试时起作用，并且（iii）的代码独立工作，但是当编写下面的所有代码时，它会为0列中的每一行返回Vis_sum：
df.loc[((df.Key_DT < '2018-03-25') &
(df.Key_DT >= '2018-01-20')), 'Vis_sum'] = ((df.filter(like='Visit_').gt(df.Key_DT,axis=0)) & (df.filter(like='Visit_').lt(pd.to_datetime('2018-03-25')).fillna(0).astype(bool)) & (df.filter(like='Deliv_').eq('Yes'))).sum(1)
我有一个类似的（非常混乱的调查）数据集，我使用melt，merge和groupby-transform-cumcount来获得我想要的数字
假设您的数据集名为df：
#First melt the DF and the unique visits (you'll have to do this for all your value_vars)
df1 = pd.melt(df,id_vars='Client',value_vars=['Visit_1','Visit_2','Visit_3'],var_name='Visit',value_name='Visit Date')
print(df1.head(5))
Client Visit Visit Date
0 Client_1 Visit_1 2018-01-01
1 Client_2 Visit_1 2018-01-10
2 Client_3 Visit_1 2018-01-20
3 Client_4 Visit_1 2018-01-30
4 Client_5 Visit_1 2018-04-02
#lets do the same for the deliveries
df2 = pd.melt(df,id_vars='Client',value_vars=['Deliv_1','Deliv_2','Deliv_3'],var_name='Delivery',value_name='Check')
融化后，我们可以将您的值合并回表格式df。
# Lets merge these and then put the Key_DT back on
res = pd.merge(df1,df2,on='Client')
res = pd.merge(res,df[['Client','Key_DT']],on='Client')
print(res.head(5))
Client Visit Visit Date Delivery Check Key_DT
0 Client_1 Visit_1 2018-01-01 Deliv_1 No 2018-01-15
1 Client_1 Visit_1 2018-01-01 Deliv_2 Yes 2018-01-15
2 Client_1 Visit_1 2018-01-01 Deliv_3 Yes 2018-01-15
3 Client_1 Visit_2 2018-01-20 Deliv_1 No 2018-01-15
4 Client_1 Visit_2 2018-01-20 Deliv_2 Yes 2018-01-15
我们可以根据您的条件进行过滤，并通过Client对值进行计数
s = res.loc[(res['Key_DT'] >= '2018-01-20') & (res['Key_DT'] <= '2018-03-25') & (res.Check == 'Yes')]
res['visit_sum'] = s.groupby(['Client','Visit'])['Check'].transform('cumcount')
res['visit_sum'] = res['visit_sum'].fillna(0)
print(res.loc[res['visit_sum'] > 0])
Client Visit Visit Date Delivery Check Key_DT visit_sum
27 Client_4 Visit_1 2018-01-30 Deliv_1 Yes 2018-02-25 1.0
29 Client_4 Visit_1 2018-01-30 Deliv_3 Yes 2018-02-25 1.0
30 Client_4 Visit_2 2018-03-01 Deliv_1 Yes 2018-02-25 1.0
32 Client_4 Visit_2 2018-03-01 Deliv_3 Yes 2018-02-25 1.0
33 Client_4 Visit_3 2018-03-10 Deliv_1 Yes 2018-02-25 1.0
35 Client_4 Visit_3 2018-03-10 Deliv_3 Yes 2018-02-25 1.0
希望这会有所帮助，并使您朝着获得预期结果的方向前进。
你写的代码不起作用，因为它不知道它应该匹配Visit_#与Deliv_#。试试这个：
df.loc[((df.Key_DT < '2018-03-25') & (df.Key_DT >= '2018-01-20')), 'Vis_sum'] = ((df.filter(like='Visit_').gt(df.Key_DT,axis=0)) & (df.filter(like='Visit_').lt(pd.to_datetime('2018-03-25'),axis=0).fillna(0).astype(bool)) & (df.filter(like='Deliv_').rename(columns=lambda x: x.replace('Deliv','Visit')).eq('Yes'))).sum(1)