如何高效根据DataFrame中转绿年份更新后续年份数值为0？

对于这类按行条件批量更新列的需求，向量化操作是pandas中最高效的方案——完全避免Python层面的循环，依托numpy底层优化处理大数据集。

步骤与示例代码 #

假设你的DataFrame结构如下（列名2020至2030为数值列，转绿年份为整数型）：

import pandas as pd
import numpy as np

# 构造示例数据
data = {
    '国家': ['德国', '法国', '中国'],
    '转绿年份': [2024, 2026, 2028],
    2020: [100, 90, 150],
    2021: [120, 85, 160],
    2022: [130, 80, 170],
    2023: [140, 75, 180],
    2024: [150, 70, 190],
    2025: [160, 65, 200],
    2026: [170, 60, 210],
    2027: [180, 55, 220],
    2028: [190, 50, 230],
    2029: [200, 45, 240],
    2030: [210, 40, 250]
}
df = pd.DataFrame(data)

1. 提取年份列

先筛选出所有代表年份的列：

# 筛选列名是整数的年份列
year_cols = [col for col in df.columns if isinstance(col, int)]
# 如果列名是字符串格式（如'2020'），则替换为：
# year_cols = [col for col in df.columns if col.isdigit()]
# years = np.array([int(col) for col in year_cols])
years = np.array(year_cols)

2. 生成向量化掩码

利用numpy的广播机制，生成每行对应的布尔掩码（True表示该年份需要设为0）：

# 将转绿年份转为二维数组，和年份列做广播比较
mask = years >= df['转绿年份'].values[:, np.newaxis]

3. 批量更新数值

用mask批量将符合条件的位置设为0：

df[year_cols] = df[year_cols].mask(mask, 0)

效果验证 #

执行后德国的2024至2030列都会变为0，法国的2026至2030列变为0，以此类推。

为什么高效？ #

• 全程用numpy/pandas的向量化操作，避免了for循环遍历每行的Python级开销，处理十万级以上数据时速度差距会非常明显。
• 广播机制自动处理行与列的维度匹配，代码简洁且性能最优。

内容的提问来源于stack exchange，提问作者user21635113