Pandas双变量for循环报错及多条件列生成方案咨询

一、语法错误的原因与修复 #

你的列表推导式报错，核心问题是遍历多列时没有用zip()打包迭代器。直接写for i, j in names_df['Name Entry 1'], names_df['Name Entry 2']会被解析成两个独立的序列，Python无法同时遍历它们，必须用zip()把两个列的元素一一配对。

修复后的代码：

names_df['Surname'] = [
    'MISSING' if i != '' and j == '' else j 
    for i, j in zip(names_df['Name Entry 1'], names_df['Name Entry 2'])
]

另外可以留意下逻辑是否符合预期：当前代码仅在i非空且j为空时返回MISSING，其他情况都返回j。如果你的实际需求是优先用i，i为空时用j，都为空才返回MISSING，逻辑应该调整为：

names_df['Surname'] = [
    i if i != '' else j if j != '' else 'MISSING'
    for i, j in zip(names_df['Name Entry 1'], names_df['Name Entry 2'])
]

二、多条件扩展的方案选择 #

1. 列表推导式的多条件写法 #

列表推导式支持嵌套的if-else，比如要加多个条件判断，可以写成链式结构：

names_df['Surname'] = [
    'CASE1' if cond1 else
    'CASE2' if cond2 else
    'CASE3' if cond3 else
    'DEFAULT'
    for i, j in zip(names_df['Name Entry 1'], names_df['Name Entry 2'])
]

这种方式适合条件不多（3-4个以内）的场景，代码简洁，但条件过多时可读性会直线下降，后期维护麻烦。

2. 更高效的矢量化方案：numpy.select() #

如果需要处理5个以上的条件，推荐用numpy.select()，它是矢量化操作，比列表推导式和apply()效率更高，且可读性更好。示例如下：

import numpy as np

# 定义条件列表和对应的结果列表
conditions = [
    (names_df['Name Entry 1'] != '') & (names_df['Name Entry 2'] == ''),
    (names_df['Name Entry 1'] == '') & (names_df['Name Entry 2'] != ''),
    (names_df['Name Entry 1'] != '') & (names_df['Name Entry 2'] != ''),
    (names_df['Name Entry 1'] == '') & (names_df['Name Entry 2'] == '')
]
choices = [
    'MISSING',
    names_df['Name Entry 2'],
    names_df['Name Entry 1'],  # 假设优先取第一列的姓氏
    'NO SURNAME'
]

names_df['Surname'] = np.select(conditions, choices, default='NO SURNAME')

这种方式把条件和结果清晰分开，即使条件再多也容易维护，而且矢量化操作在处理大数据量时比循环类方法快很多。

3. 关于apply()的补充 #

如果你觉得apply()繁琐，主要是因为需要单独定义函数，但其实也可以用lambda写简短逻辑，但本质上apply()是逐行处理，效率远低于矢量化方法，所以不推荐在大数据量场景使用。

内容的提问来源于stack exchange，提问作者Curious Student