Pandas中基于两列生成血压分类数据时函数报错求助

报错原因 #

第一个错误：ValueError: The truth value of an array with more than one element is ambiguous #

你的函数是为单个数值设计的，但调用时直接传入了pandas Series（整列数据）。当对Series做systolic <= 90这类比较时，返回的是布尔数组，而Python原生的and运算符无法处理布尔数组——它无法判断你需要数组中所有元素为真（all()）还是至少一个为真（any()），因此抛出歧义错误。

替换and后的错误 #

你提到的rand_应该是输入笔误，大概率是用了&但未加括号。numpy/pandas中数组的逻辑与需用&，但&的优先级高于比较运算符，若直接写systolic < 120 & diastolic < 80，会被解析为systolic < (120 & diastolic)，导致布尔值与浮点数的类型不匹配，触发报错。

可行解决方案 #

方案1：用apply逐行调用原函数（简单直接，适合小数据集） #

无需修改原函数，通过apply逐行传入单个样本的舒张压和收缩压：

DF['bp_category'] = DF.apply(lambda row: blood_pressure_cat(row['diastolic'], row['systolic']), axis=1)

方案2：修改为向量化函数（效率更高，适合大数据集） #

将函数改为支持数组输入的版本，用&替代and并给每个条件加括号（避免优先级问题），同时用numpy.select实现清晰的多分支判断：

import numpy as np

def blood_pressure_cat_vec(diastolic, systolic):
    conditions = [
        (systolic <= 90) & (diastolic <= 60),
        (systolic < 120) & (diastolic < 80),
        (systolic < 130) & (diastolic < 80),
        (systolic < 140) & (diastolic < 90),
        (systolic < 180) & (diastolic < 90),
        (systolic >= 180) & (diastolic >= 90)
    ]
    choices = [
        "Hypotension",
        "Normal",
        "Elevated",
        "Stage 1",
        "Stage 2",
        "Hypertensive Crisis"
    ]
    return np.select(conditions, choices, default=np.nan)

# 直接传入整列数据调用
DF['bp_category'] = blood_pressure_cat_vec(DF['diastolic'], DF['systolic'])

方案3：简化版逐行判断（代码更直观） #

如果觉得apply的lambda写法不够清晰，也可以直接写一个逐行处理的函数：

def get_bp_category(row):
    if row['systolic'] <= 90 and row['diastolic'] <= 60:
        return "Hypotension"
    elif row['systolic'] < 120 and row['diastolic'] < 80:
        return "Normal"
    elif row['systolic'] < 130 and row['diastolic'] < 80:
        return "Elevated"
    elif row['systolic'] < 140 and row['diastolic'] < 90:
        return "Stage 1"
    elif row['systolic'] < 180 and row['diastolic'] < 90:
        return "Stage 2"
    elif row['systolic'] >= 180 and row['diastolic'] >= 90:
        return "Hypertensive Crisis"
    else:
        return np.nan

DF['bp_category'] = DF.apply(get_bp_category, axis=1)

内容的提问来源于stack exchange，提问作者Sid