Polars中基于另一DataFrame的条件替换实现方案

不用手动重复df1，利用pandas的广播机制就能高效实现需求，以下是几种可行方案：

方法一：使用np.where（推荐，向量化操作效率最高） #

直接通过条件判断批量替换，单行的df1会自动广播到df2的行数：

import pandas as pd
import numpy as np

# 构造示例数据（可替换成你的实际数据）
df1 = pd.DataFrame(np.random.rand(1, 3), columns=['A', 'B', 'C'])
df2 = pd.DataFrame(np.random.randint(0, 2, size=(5, 3)), columns=['A', 'B', 'C'])

# 核心替换逻辑
result = pd.DataFrame(
    np.where(df2 == 1, df1.iloc[0].values, 1),
    columns=df2.columns
)

如果df1和df2的列名完全一致，也可以简化成：

result = pd.DataFrame(np.where(df2 == 1, df1.loc[0], 1), columns=df2.columns)

方法二：布尔索引直接赋值 #

先复制df2，再分别替换0和1：

result = df2.copy()
# 把所有1替换成df1对应列的数值（广播自动匹配行数）
result[result == 1] = df1.loc[0]
# 把所有0替换成1
result[result == 0] = 1

方法三：逐列处理（适合需要自定义逻辑的场景） #

如果需要针对不同列做特殊处理，用apply逐列操作：

def process_column(col):
    # 获取当前列在df1中的对应值
    df1_val = df1[col.name].iloc[0]
    # 替换：1→df1对应值，0→1
    return col.map(lambda x: df1_val if x == 1 else 1)

result = df2.apply(process_column, axis=0)

关键说明 #

• 无需手动重复df1：pandas会自动将单行的Series/DataFrame广播到与目标DataFrame相同的行数，避免不必要的数据复制。
• 列对齐注意：如果df1和df2列名不一致但列数相同，用df1.iloc[0].values按位置匹配；如果列名一致，直接用df1.loc[0]按列名匹配更安全。

内容的提问来源于stack exchange，提问作者bkw1491