如何在Pandas DataFrame中按行应用多分支条件逻辑生成ACTIVE列

你的核心问题在于原来的代码只基于最后一行的判断结果给整列赋值，没有对每一行单独执行分支逻辑。下面提供两种高效的解决方案，分别适合不同场景：

方法一：逐行判断（直观易懂，适合小数据集） #

我们可以定义一个处理单行逻辑的函数，然后用apply()逐行调用它：

import pandas as pd

# 你的示例数据
df3 = pd.DataFrame({
    'TLT': [0.077, 0.064, 0.034, 0.028],
    'TIP': [0.021, 0.014, 0.005, 0.005],
    'SPY': [0.055, -0.063, 0.09, 0.094],
    'SCZ': [0.062, 0.060, 0.068, 0.069]
})

def get_active_label(row):
    # 按照你描述的自然语言规则：SPY或SCZ任一为正，选两者中值更高的标签
    if row['SPY'] > 0 or row['SCZ'] > 0:
        return 'SPY' if row['SPY'] > row['SCZ'] else 'SCZ'
    # 两者均不为正，选TLT和TIP中值更高的标签
    else:
        return 'TIP' if row['TIP'] > row['TLT'] else 'TLT'

# 注意：如果要严格遵循你提供的伪代码（仅当SPY和SCZ都为正时才选两者），
# 只需把上面的条件改为：if row['SPY'] > 0 and row['SCZ'] > 0:

df3['ACTIVE'] = df3.apply(get_active_label, axis=1)

方法二：向量化操作（效率更高，适合大数据集） #

避免逐行循环，用Pandas和Numpy的向量化方法处理，速度会快很多：

import pandas as pd
import numpy as np

df3 = pd.DataFrame({
    'TLT': [0.077, 0.064, 0.034, 0.028],
    'TIP': [0.021, 0.014, 0.005, 0.005],
    'SPY': [0.055, -0.063, 0.09, 0.094],
    'SCZ': [0.062, 0.060, 0.068, 0.069]
})

# 预先计算两个分支的结果
spy_scz_best = df3[['SPY', 'SCZ']].idxmax(axis=1)
tlt_tip_best = df3[['TLT', 'TIP']].idxmax(axis=1)

# 生成判断分支的掩码（自然语言规则：SPY或SCZ为正）
branch_mask = (df3['SPY'] > 0) | (df3['SCZ'] > 0)
# 伪代码规则的掩码：(df3['SPY'] > 0) & (df3['SCZ'] > 0)

# 根据掩码选择对应分支的结果
df3['ACTIVE'] = np.where(branch_mask, spy_scz_best, tlt_tip_best)

为什么原来的代码不对？ #

你之前的代码只检查了最后一行的SPY和SCZ值，然后给整个ACTIVE列统一赋值为前两列或后两列的最大值标签，这相当于所有行都强制走同一个分支，完全没有实现行级独立判断的需求。上面的两种方法都是对每一行单独评估条件，然后选择对应的结果。

内容的提问来源于stack exchange，提问作者Rick Cromer