如何用Python或Pandas实现多DataFrame多列的SQL Case逻辑

下面提供两种完全匹配需求的实现方法，与你给出的SQL CASE执行逻辑完全一致：

方法1：嵌套np.where实现顺序判断 #

利用np.where的三元表达式特性，嵌套实现多条件的顺序匹配（优先触发第一个满足的条件，和SQL CASE逻辑一致）

示例代码 #

import pandas as pd
import numpy as np

# 构造示例数据（替换为你的真实数据即可）
df = pd.DataFrame({
    'p0': ['ON', 'OFF', 'ON', 'OFF'],
    'p1': ['OFF', 'OFF', 'ON', 'OFF'],
    'p2': ['ON', 'OFF', 'OFF', 'OFF'],
    'rate': [0.5, 0.8, 0.3, 0.6]
})
df1 = pd.DataFrame({'value': [100, 200, 300, 400]})
df2 = pd.DataFrame({'value_total': [500, 600, 700, 800]})

# 实现CASE逻辑
df['projected_value'] = np.where(
    # 第一个条件：p0=ON 且 p1=OFF
    (df['p0'] == 'ON') & (df['p1'] == 'OFF'),
    df1['value'] * df['rate'],
    # 第一个条件不满足时，判断第二个条件
    np.where(
        # 第二个条件：p1=OFF 且 p2=OFF
        (df['p1'] == 'OFF') & (df['p2'] == 'OFF'),
        df2['value_total'],
        # 都不满足时返回0
        0
    )
)

方法2：使用loc分步赋值 #

通过初始化默认值，再按条件优先级依次赋值，保证逻辑顺序的正确性

示例代码 #

import pandas as pd

# 构造示例数据（替换为你的真实数据即可）
df = pd.DataFrame({
    'p0': ['ON', 'OFF', 'ON', 'OFF'],
    'p1': ['OFF', 'OFF', 'ON', 'OFF'],
    'p2': ['ON', 'OFF', 'OFF', 'OFF'],
    'rate': [0.5, 0.8, 0.3, 0.6]
})
df1 = pd.DataFrame({'value': [100, 200, 300, 400]})
df2 = pd.DataFrame({'value_total': [500, 600, 700, 800]})

# 初始化默认值为0
df['projected_value'] = 0

# 先赋值优先级低的条件（避免被高优先级结果覆盖）
df.loc[(df['p1'] == 'OFF') & (df['p2'] == 'OFF'), 'projected_value'] = df2['value_total']

# 再赋值优先级高的条件（覆盖重叠行的结果）
df.loc[(df['p0'] == 'ON') & (df['p1'] == 'OFF'), 'projected_value'] = df1['value'] * df['rate']

关键注意事项 #

• 确保df、df1、df2的行数完全一致，否则会因索引不匹配报错；若行数不同，需先通过reset_index()等方法对齐索引。
• Pandas中Series的逻辑与运算必须用&，不能用Python内置的and，且每个条件需用括号包裹，避免运算符优先级问题。

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