如何在Pandas中基于多条件与计算创建折扣列？

处理这类多规则的列生成需求，**numpy.select()**是最优方案——它采用向量化运算，性能远高于循环或apply()方法，同时代码结构清晰，规则与结果对应明确，便于后续维护调整。

实现步骤 #

1. 导入依赖库

import pandas as pd
import numpy as np

2. 定义规则条件与对应折扣值
   按规则的优先级排序（越具体的规则越靠前，避免被宽泛规则覆盖），依次定义条件列表和对应的折扣结果列表：

# 定义匹配条件
conditions = [
    # 规则3：Unique id为4094、品牌为E且years_active为空
    (df["Unique id"] == 4094) & (df["品牌"] == "E") & df["years_active"].isna(),
    # 规则2子项1：Unique id为6352/7869，价格60≤price<70
    (df["Unique id"].isin([6352, 7869])) & (df["price"].between(60, 70, inclusive="left")),
    # 规则2子项2：Unique id为6352/7869，价格70≤price<80
    (df["Unique id"].isin([6352, 7869])) & (df["price"].between(70, 80, inclusive="left")),
    # 规则1：品牌为A或B
    df["品牌"].isin(["A", "B"])
]

# 对应每个条件的折扣值
choices = [
    df["price"],          # 规则3：折扣等于原价
    10,                   # 规则2子项1：固定折扣10
    20,                   # 规则2子项2：固定折扣20
    df["price"] * 0.2     # 规则1：原价的20%
]

3. 生成折扣列
   使用np.select()匹配条件并赋值，同时设置无匹配规则时的默认值（示例设为0，可根据业务需求调整为np.nan或其他值）：

df["折扣"] = np.select(conditions, choices, default=0)

示例验证 #

假设你的数据如下：

运行代码后生成的折扣列结果：

核心优势 #

• 性能高效：向量化运算避免了逐行遍历，处理大数据集时速度提升明显；
• 逻辑清晰：条件与结果一一对应，规则调整只需修改conditions和choices的顺序或内容；
• 灵活性强：可通过调整条件顺序改变规则优先级，默认值也能适配不同业务场景。

内容的提问来源于stack exchange，提问作者Rebel_09