按数值区间为DataFrame列值匹配乘数进行乘法运算

针对你的需求，无需写大量多条件索引，用Pandas和NumPy的向量化操作就能高效实现，推荐两种实用方法：

方法一：使用pd.cut（直观易读） #

通过pd.cut将数值映射到对应区间，匹配乘数后完成乘法，适合需要清晰区间定义的场景：

import numpy as np
import pandas as pd

# 生成测试DataFrame
df = pd.DataFrame(np.random.randint(0,100,size=(100000, 4)), columns=list('ABCD'))

# 定义区间（左闭右开，最后一个区间包含所有大于90的数值）
bins = [0, 10, 20, 30, 40, 50, 60, 70, 80, 90, np.inf]
# 对应每个区间的乘数，顺序与bins一一对应
multipliers = [3.2, 1.4, 5.6, 3.2, 1.9, 3.7, 1.1, 3.3, 1, 4]

# 将所有数值按区间分组，获取对应乘数的索引并映射
stacked_multipliers = pd.cut(df.stack(), bins=bins, labels=False).map(dict(enumerate(multipliers)))
# 恢复原DataFrame形状并执行乘法
result_df = df.mul(stacked_multipliers.unstack())

方法二：使用np.digitize（大数据量更高效） #

基于NumPy的向量化操作，底层为C实现，处理10万行这类数据时性能更优：

import numpy as np
import pandas as pd

df = pd.DataFrame(np.random.randint(0,100,size=(100000, 4)), columns=list('ABCD'))

# 定义区间分界点（np.digitize默认左开右闭，分界点对应区间的右边界）
bins = [10, 20, 30, 40, 50, 60, 70, 80, 90]
# 对应每个区间的乘数：索引0对应<=10的数值，索引1对应(10,20]，最后一个索引对应>90的数值
multipliers = [3.2, 1.4, 5.6, 3.2, 1.9, 3.7, 1.1, 3.3, 1, 4]

# 获取每个数值对应的乘数索引
indices = np.digitize(df, bins)
# 按索引取乘数并执行元素级乘法
result_df = df * np.array(multipliers)[indices]

注意事项 #

• 区间边界调整：如果需要修改数值归属（比如让10属于0-10区间），只需调整bins定义，例如改为[-np.inf, 10, 20, ...]，同时对应调整乘数顺序即可。
• 性能选择：np.digitize在处理超大DataFrame时，速度明显优于pd.cut，更适配你的10万行数据场景。

内容的提问来源于stack exchange，提问作者Aristocrat