如何高效实现：根据每行最大kills值获取对应玩家名称？

问题场景 #

你有一个多级列结构的DataFrame，包含各玩家的kills（击杀数）与name（名称）列，需要新增HKP列，每行值为该行kills最大的玩家名称。当前通过循环取值的实现速度过慢，需要更高效的方法。

高效实现方案 #

方法一：利用xs与lookup #

# 提取所有玩家的kills数据，找到每行最大值对应的玩家索引
max_kill_player = final_df.xs('kills', axis=1, level=1).idxmax(axis=1)
# 直接通过lookup提取对应玩家的name值，赋值给HKP列
final_df['HKP'] = final_df.xs('name', axis=1, level=1).lookup(final_df.index, max_kill_player)

方法二：基于多级列索引的直接映射 #

# 定位每行kills最大的列索引，提取玩家层级
max_kill_col_idx = final_df.loc(axis='columns')[:, 'kills'].idxmax(axis=1)
player_names = final_df.loc(axis='columns')[:, 'name']
# 按索引匹配对应名称
final_df['HKP'] = player_names.lookup(final_df.index, max_kill_col_idx.get_level_values(0))

为什么这两种方法更快 #

这两种方案都采用了pandas的向量化操作，完全避免了Python层面的循环遍历。pandas的内置方法底层由C实现，处理大规模数据时，速度会比手动循环快几个数量级。

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