基于多条件的Python分支逻辑实现求助（含DataFrame处理）

核心需求 #

基于输入的DataFrame（包含l1、l2、l3、mon四列），生成output_val和output_col两列，分支逻辑规则如下：

• 当mon < 5时：优先取l1作为output_val，output_col为'l1'；若l1为NaN，优先取l3，其次取l2
• 当5 ≤ mon ≤7时：数值从l1向l2过渡：
  • mon=5：output_val = 0.6*l1 + 0.4*l2，output_col为'0.60*l1+0.40*l2'
  • mon=6：output_val = 0.5*l1 + 0.5*l2，output_col为'0.50(l1+l2)'；若其中一个值为NaN，则取可用值的100%（如l2为NaN则取1*l1）
  • mon=7：output_val = 0.4*l1 + 0.6*l2，output_col为'0.40*l1+0.60*l2'
• 当8 ≤ mon ≤10时：优先取l2作为output_val，output_col为'l2'；若l2为NaN，优先取l1，其次取l3
• 当11 ≤ mon ≤13时：数值从l2向l3过渡：
  • mon=11：output_val = 0.6*l2 + 0.4*l3，output_col为'0.60*l2+0.40*l3'
  • mon=12：output_val = 0.5*l2 + 0.5*l3，output_col为'0.50(l2+l3)'；若其中一个值为NaN，则取可用值的100%
  • mon=13：output_val = 0.4*l2 + 0.6*l3，output_col为'0.40*l2 + 0.60*l3'
• 当mon ≥14时：优先取l3作为output_val，output_col为'l3'；若l3为NaN，优先取l2，其次取l1
• 特殊情况：若l1、l2、l3均为NaN，则output_val=0，output_col为' '

输入示例代码 #

import numpy as np
import pandas as pd

data = {'l1': [2,3,np.nan,3,4,1,23,5,np.nan, 100, 101, 200, 121, 431, 341],
        'l2': [12,13,np.nan,13,14,np.nan,123,15,np.nan, 200, 87, 65, 23, 54, np.nan],
        'l3': [np.nan,333,111,np.nan,334,111,123,5,np.nan, np.nan, 65, 154, 341, np.nan, np.nan],
        'mon':[1,2,3,4,5,6,7,8,9,10, 11, 12, 13, 14, 15]}
data = pd.DataFrame(data)

预期输出示例代码 #

output_data = {'l1': [2,3,1,3,4,1,23,5,np.nan, 100, 101, 200, 121, 431, 341],
        'l2': [12,13,np.nan,13,14,np.nan,123,15,np.nan, 200, 87, 65, 23, 54, np.nan],
        'l3': [np.nan,333,111,np.nan,334,111,123,5,np.nan, np.nan, 65, 154, 341, np.nan, np.nan],
        'mon':[1,2,3,4,5,6,7,8,9,10, 11, 12, 13, 14, 15],
       'output_val': [2,3,111, 3, 13.44, 1, 678.96, 15, 0, 200, 1357, 2502, 1882, 54, 341],
       'output_col':['l1', 'l1', 'l3', 'l1', '0.60*l1+0.40*l2', '1*l1', '0.40*l1+0.60*l2', 'l2', ' ', 'l2', '0.60*l2+0.40*l3', '0.50*(l2+l3)', '0.40*l2+0.60*l3', 'l2', 'l1']}

output_data = pd.DataFrame(output_data)

实现代码 #

import numpy as np
import pandas as pd

def calculate_output(row):
    l1, l2, l3, mon = row['l1'], row['l2'], row['l3'], row['mon']
    
    # 处理全NaN的特殊情况
    if pd.isna(l1) and pd.isna(l2) and pd.isna(l3):
        return 0, ' '
    
    # mon <5 分支
    if mon <5:
        if not pd.isna(l1):
            return l1, 'l1'
        elif not pd.isna(l3):
            return l3, 'l3'
        else:
            return l2, 'l2'
    # 5<=mon<=7 分支
    elif 5 <= mon <=7:
        if mon ==5:
            val = 0.6*l1 +0.4*l2
            col = '0.60*l1+0.40*l2'
        elif mon ==6:
            if pd.isna(l1):
                val = l2
                col = '1*l2'
            elif pd.isna(l2):
                val = l1
                col = '1*l1'
            else:
                val =0.5*l1 +0.5*l2
                col = '0.50(l1+l2)'
        else: # mon==7
            val =0.4*l1 +0.6*l2
            col = '0.40*l1+0.60*l2'
        # 兜底处理计算后可能的NaN
        if pd.isna(val):
            val = l1 if not pd.isna(l1) else l2
            col = '1*l1' if not pd.isna(l1) else '1*l2'
        return val, col
    # 8<=mon<=10 分支
    elif 8 <= mon <=10:
        if not pd.isna(l2):
            return l2, 'l2'
        elif not pd.isna(l1):
            return l1, 'l1'
        else:
            return l3, 'l3'
    # 11<=mon<=13 分支
    elif 11 <= mon <=13:
        if mon ==11:
            val =0.6*l2 +0.4*l3
            col = '0.60*l2+0.40*l3'
        elif mon ==12:
            if pd.isna(l2):
                val = l3
                col = '1*l3'
            elif pd.isna(l3):
                val = l2
                col = '1*l2'
            else:
                val =0.5*l2 +0.5*l3
                col = '0.50(l2+l3)'
        else: # mon==13
            val =0.4*l2 +0.6*l3
            col = '0.40*l2 + 0.60*l3'
        # 兜底处理计算后可能的NaN
        if pd.isna(val):
            val = l2 if not pd.isna(l2) else l3
            col = '1*l2' if not pd.isna(l2) else '1*l3'
        return val, col
    # mon >=14 分支
    else:
        if not pd.isna(l3):
            return l3, 'l3'
        elif not pd.isna(l2):
            return l2, 'l2'
        else:
            return l1, 'l1'

# 应用函数到每一行
data[['output_val', 'output_col']] = data.apply(calculate_output, axis=1, result_type='expand')

# 验证结果
print(data)

代码说明 #

• 采用apply逐行处理，确保每个分支逻辑精准覆盖需求
• 优先处理全NaN的特殊情况，避免后续计算出现异常
• 对mon=6、mon=12的NaN特殊场景单独处理，同时为区间内其他计算结果做兜底，保证输出有效性

内容的提问来源于stack exchange，提问作者user15051990