如何简化Python中多分支if-elif-else的函数代码？

你的原始代码逻辑清晰但冗余，这里提供几种更简洁高效的实现方式：

方法1：区间映射表+循环匹配 #

把分段规则整理成有序列表，遍历匹配区间即可，后续修改规则只需调整列表，维护成本低：

def my_fun(x):
    # 按区间从小到大排列的规则表
    slabs = [
        (200, 0.2),
        (300, 0.3),
        (400, 0.4),
        (500, 0.5),
        (600, 0.6),
        (700, 0.7),
        (800, 0.8),
        (900, 0.9),
        (1000, 1.0)
    ]
    for threshold, value in slabs:
        if x <= threshold:
            return value
    # 超出所有区间时返回默认值
    return 1.5

courier_invoice['x_weight_slab'] = courier_invoice['weight by company'].apply(my_fun)

方法2：用bisect模块实现二分查找 #

当分段数量较多时，二分查找比循环匹配效率更高，适合处理大规模数据：

import bisect

def my_fun(x):
    thresholds = [200, 300, 400, 500, 600, 700, 800, 900, 1000]
    values = [0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8, 0.9, 1.0]
    # 找到第一个大于x的阈值索引
    idx = bisect.bisect_right(thresholds, x)
    return values[idx] if idx < len(values) else 1.5

courier_invoice['x_weight_slab'] = courier_invoice['weight by company'].apply(my_fun)

方法3：直接用Pandas的cut函数（最适配DataFrame场景） #

既然你在处理Pandas数据，pd.cut可以完全替代apply和自定义函数，性能更优且代码极简：

import pandas as pd

# 定义区间边界与对应标签
bins = [-float('inf'), 200, 300, 400, 500, 600, 700, 800, 900, 1000, float('inf')]
labels = [0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8, 0.9, 1.0, 1.5]

courier_invoice['x_weight_slab'] = pd.cut(
    courier_invoice['weight by company'],
    bins=bins,
    labels=labels,
    include_lowest=True  # 确保边界值（如x=200）被正确划分到对应区间
)

注意：你原始代码中存在一个边界重复问题——801<=x<=900和900<=x<=1000会同时匹配x=900，上述优化写法已修正该问题。

内容的提问来源于stack exchange，提问作者Unicorn