如何为Concession DataFrame分类别新增列赋值？Iterrows无效求替代方法

我希望在名为concession的DataFrame中新增列：一列是学生票价列，其中学生群体对应价格1200，国民服役人员与成人对应成人价格4050，老年人对应2070；最后新增名为single trip的列，所有群体对应价格均为6900。
我曾尝试使用iterrows方法但未成功，请问还有哪些可行的实现方法？

嗨～我来帮你搞定这个DataFrame新增列的问题！iterrows()因为是逐行循环，不仅效率低，还容易出现赋值不生效的坑，咱们换几个更高效的向量化方法来实现，绝对靠谱：

这个方法适合多分支条件的场景，逻辑清晰可读性强，还能统一处理所有情况：

import numpy as np
import pandas as pd

# 定义学生票价的判断条件和对应值
conditions = [
    concession['群体'] == '学生',
    concession['群体'].isin(['国民服役人员', '成人']),
    concession['群体'] == '老年人'
]
values = [1200, 4050, 2070]

# 新增学生票价列
concession['学生票价'] = np.select(conditions, values, default=np.nan)  # 可以把default改成你需要的默认值，比如0

# 新增single trip列，直接统一赋值即可
concession['single trip'] = 6900

先创建一个群体到价格的映射字典，再批量匹配赋值，代码简洁又高效：

# 创建群体到学生票价的映射字典
price_map = {
    '学生': 1200,
    '国民服役人员': 4050,
    '成人': 4050,
    '老年人': 2070
}

# 新增学生票价列
concession['学生票价'] = concession['群体'].map(price_map)
# 如果有不在字典里的群体，map会返回NaN，你可以用fillna补默认值：
# concession['学生票价'] = concession['群体'].map(price_map).fillna(0)

# 新增single trip列
concession['single trip'] = 6900

这种方法特别直观，适合新手理解，逐个条件给对应群体赋值：

# 先初始化学生票价列（可选，先设一个默认值）
concession['学生票价'] = 0

# 给学生群体赋值
concession.loc[concession['群体'] == '学生', '学生票价'] = 1200

# 给国民服役人员和成人赋值
concession.loc[concession['群体'].isin(['国民服役人员', '成人']), '学生票价'] = 4050

# 给老年人赋值
concession.loc[concession['群体'] == '老年人', '学生票价'] = 2070

# 新增single trip列
concession['single trip'] = 6900

这些方法都是Pandas推荐的向量化操作，比iterrows()快很多，尤其是当你的DataFrame数据量较大时，性能差距会特别明显～

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