基于另一列条件为DataFrame列赋值：获取特征最大值对应城市

核心问题分析 #

你当前代码直接取data.columns[1]（City列）的max()，得到的是城市名字母序最大值——因为字符串的max()是按字母排序的。要获取对应Feature最大值的城市，得先定位该State下Feature最大的行，再提取对应City值。

修改后的代码实现 #

优化思路 #

先针对每个DataFrame的Feature列，构建「State-最优城市」的映射字典，再批量赋值，既解决逻辑错误，又提升效率。

完整代码 #

dfs = [df_st_pop, df_st_l_ar, df_st_w_ar, df_st_t_ar]

for data in dfs:
    # 获取当前DataFrame的Feature列名
    feature_col = data.columns[2]
    # 生成每个State对应Feature最大值的城市映射
    state_city_map = df.groupby('State').apply(
        lambda group: group.loc[group[feature_col].idxmax(), 'city']
    ).to_dict()
    # 给City列赋值
    data.iloc[:, 1] = data['State'].map(state_city_map)
    # 给Feature列赋值对应State的最大值
    data.iloc[:, 2] = df.groupby('State')[feature_col].max().reindex(data['State']).values
    # 计算Feature排名
    data.iloc[:, 3] = data.iloc[:, 2].rank(ascending=False, na_option='keep')

关键代码解释 #

• groupby('State').apply(lambda group: group.loc[group[feature_col].idxmax(), 'city'])：按State分组后，用idxmax()找到每组内Feature值最大的行索引，再提取该行的City。
• data['State'].map(state_city_map)：通过映射字典批量匹配城市，比循环遍历更高效，也避免了索引报错。
• df.groupby('State')[feature_col].max().reindex(data['State']).values：替代原来的列表推导，更简洁地给Feature列赋值对应State的最大值。

示例验证 #

用你提供的测试数据：

处理后Alaska对应的City列会正确显示Sitka（对应最大land area），而非字母序最大的Juneau。

内容的提问来源于stack exchange，提问作者paul