如何替换代码中的Iterrows以提升Pandas程序运行效率？

你的原代码逻辑是遍历每一行，当列a的浮点值等于key_1时，将第15列（iloc索引14）赋值为该行的key_2，否则赋值为该行的key_1。用向量化操作可以彻底抛弃低效的iterrows，下面是两种简洁高效的实现方式：

方法一：使用numpy.where（推荐） #

np.where是典型的向量化条件赋值工具，一行代码就能完成逻辑：

import numpy as np

# 先将列'a'统一转为float类型（避免循环里重复转换）
df['a'] = df['a'].astype(float)
# 获取目标列的列名（比直接用iloc更清晰）
target_col = df.columns[14]
# 条件赋值
df[target_col] = np.where(df['a'] == key_1, df['key_2'], df['key_1'])

方法二：使用Pandas的loc索引 #

先设置默认值，再批量更新满足条件的行，逻辑更直观：

df['a'] = df['a'].astype(float)
target_col = df.columns[14]

# 先给所有行设置默认值key_1
df[target_col] = df['key_1']
# 批量替换满足条件的行的值为key_2
df.loc[df['a'] == key_1, target_col] = df['key_2']

关键注意点 #

• 提前统一列a的类型为float，避免重复转换带来的额外开销；
• 尽量用列名而非iloc索引操作，代码可读性更强，也避免因列顺序变化导致的错误；
• 两种方法都是底层C级别的向量化操作，数据量越大，和iterrows的效率差距越明显（通常能快几十到上百倍）。

内容的提问来源于stack exchange，提问作者STOWE