如何优化多组numpy.where函数实现DataFrame条件赋值？

针对你通过多组np.where实现Pandas DataFrame多条件列赋值导致代码冗余的问题，推荐两种简洁优雅的实现方式：

方法一：字典映射+元组匹配 #

把所有(code, color)的组合与目标值的对应关系集中存储在一个字典里，再通过元组匹配快速赋值：

1. 定义规则映射字典：

# 所有(code, color)组合对应的new_column值
mapping_dict = {
    ("500", "blue"): "1",
    ("500", "green"): "2",
    ("100", "red"): "3",
    ("42", "yellow"): "4"
}

2. 为new_column赋值：

# 高效版：将code和color列组合成元组序列后映射
df["new_column"] = pd.Series(list(zip(df["code"], df["color"]))).map(mapping_dict).fillna("")

# 易读版：用apply遍历行（小数据集更友好）
# df["new_column"] = df.apply(lambda x: mapping_dict.get((x["code"], x["color"]), ""), axis=1)

优势：所有规则集中管理，新增/修改规则只需调整字典，代码简洁易读，小/中数据集下效率足够。

方法二：规则DataFrame合并 #

如果规则数量极多，或规则需要从外部文件导入，可以先创建规则DataFrame，再通过merge完成赋值：

1. 创建规则DataFrame：

rules_df = pd.DataFrame({
    "code": ["500", "500", "100", "42"],
    "color": ["blue", "green", "red", "yellow"],
    "new_column": ["1", "2", "3", "4"]
})

2. 合并原DataFrame与规则DataFrame：

# 左连接保留原表所有行，未匹配的用空字符串填充
df = df.merge(rules_df, on=["code", "color"], how="left").fillna({"new_column": ""})

优势：规则可独立维护（比如导出为CSV文件），大数据集下效率优于apply，扩展性更强。

内容的提问来源于stack exchange，提问作者carrydvd