如何基于条件替换Pandas DataFrame多列中的值？

嘿，这个问题我之前也踩过坑！其实np.where直接用在多列上会因为维度匹配问题失效，但我们有几个更贴合Pandas风格的优雅方案：

方法1：用df.loc布尔索引（最推荐） #

这是Pandas原生的、可读性拉满的方式——直接定位符合条件的行和列，批量赋值：

import pandas as pd

df = pd.DataFrame({'A': [1,2,3,4], 'C': [1,2,3,4], 'B': [3,4,6,6]})
# 先定义条件掩码
mask = df['B'] < 5
# 定位掩码为True的行，以及A、C列，赋值为'-'
df.loc[mask, ['A', 'C']] = '-'

print(df)

输出结果：

A  C  B
0  -  -  3
1  -  -  4
2  3  3  6
3  4  4  6

这个方法不仅简洁，而且性能比循环好太多，完全符合Pythonic/Pandas的风格。

方法2：调整np.where的维度适配 #

如果你非要用np.where，只需要把一维的掩码转换成二维，让它能和多列DataFrame广播匹配就行：

import numpy as np

mask = df['B'] < 5
# 用[:, None]把一维mask转成(4,1)的二维数组，和A、C列的(4,2)维度匹配
df[['A','C']] = np.where(mask[:, np.newaxis], '-', df[['A','C']])

之前的写法失效，是因为一维的mask（长度4）无法和二维的df[['A','C']]（4行2列）做广播，转成二维后就能自动适配每一列了。

方法3：apply配合lambda（适合复杂逻辑） #

如果你的赋值逻辑更复杂，也可以用apply遍历列处理，但性能不如前两种，仅作参考：

df[['A','C']] = df[['A','C']].apply(lambda col: np.where(mask, '-', col))

总的来说，方法1是最优解，既符合Pandas的设计思路，又清晰易懂。

内容的提问来源于stack exchange，提问作者honetkri