如何将DataFrame中Max列的列名替换为同行对应列的值？

针对大数据量的场景，优先使用向量化操作而非逐行apply，避免性能瓶颈。以下是两种高效方案：

方案1：使用DataFrame.lookup（简洁直接） #

lookup是Pandas原生的向量化方法，可直接根据行索引和列名匹配对应值，适合行列对应取值的场景：

import pandas as pd

# 构造示例数据
df = pd.DataFrame({
    'Max': ['Column C', 'Column A'],
    'Column A': [200, 600],
    'Column B': [500, 700],
    'Column C': [800, 1000]
})

# 替换Max列的值
df['Max'] = df.lookup(df.index, df['Max'])

运行后即可得到期望输出，该方法代码简洁且性能高效。

方案2：使用Numpy索引（性能最优） #

对于超大规模数据集，直接操作Numpy底层数组能进一步提升效率，绕开Pandas的部分封装开销：

import pandas as pd
import numpy as np

# 构造示例数据
df = pd.DataFrame({
    'Max': ['Column C', 'Column A'],
    'Column A': [200, 600],
    'Column B': [500, 700],
    'Column C': [800, 1000]
})

# 获取列名对应的位置索引
col_indices = df.columns.get_indexer(df['Max'])
# 通过Numpy索引提取对应值并替换
df['Max'] = df.values[np.arange(len(df)), col_indices]

注意事项 #

• 确保Max列中的所有值都是DataFrame中存在的列名，否则会引发索引错误。若存在无效列名，可先通过df['Max'].isin(df.columns)过滤或处理异常值。
• 两种方法均为向量化操作，时间复杂度为O(n)，远优于df.apply(lambda x: x[x['Max']], axis=1)这类逐行处理（*O(n²)*复杂度）。

内容的提问来源于stack exchange，提问作者sw233