如何优化Pandas中多if/else分支与特殊场景的处理？

针对你用30多个if语句处理ID列关键词的问题，完全可以用Pandas的字符串处理+映射字典/条件选择来简化代码，以下是具体实现思路：

第一步：提取ID中的关键词 #

首先从ID列拆分出中间的关键词，因为格式是「数字 单词 数字」，直接用字符串拆分即可：

import pandas as pd

# 假设你的数据框是df
df['keyword'] = df['ID'].str.split().str[1]
# 如果存在大小写不一致的情况，统一转小写避免匹配失败
# df['keyword'] = df['ID'].str.split().str[1].str.lower()

第二步：用映射字典替代if-else #

把每个关键词对应的处理逻辑封装到字典中，根据关键词直接调用对应逻辑，完全替代一堆if：

场景1：仅需映射类型名称 #

如果只是根据关键词生成对应的类型标签，用简单的字典映射即可：

# 构建关键词到类型的映射
type_mapping = {
    'Note': '基础尺寸',
    'Roughness': 'Ra值',
    'Position': 'true position',
    # 补充剩余30余种关键词的映射关系
}

# 生成类型列，未知关键词填充默认值
df['data_type'] = df['keyword'].map(type_mapping).fillna('未知类型')

场景2：需要基于多列计算结果 #

如果每个关键词需要结合spec、tol列做不同计算，用带lambda的字典实现逻辑封装：

# 构建关键词到处理函数的映射
rule_mapping = {
    'Note': lambda row: row['spec'],  # 基础尺寸取spec值
    'Roughness': lambda row: f"Ra{row['spec']}",  # Ra值格式化
    'Position': lambda row: f"±{abs(row['lower tol'])}"  # 位置公差取绝对值格式化
    # 其他关键词的处理逻辑依次补充
}

# 批量处理生成结果列
def process_data(row):
    # 获取对应处理函数，默认返回空值
    handler = rule_mapping.get(row['keyword'], lambda x: None)
    return handler(row)

df['processed_value'] = df.apply(process_data, axis=1)

第三步：用np.select实现多条件赋值 #

如果需要同时处理多个条件分支（比如不同关键词对应不同的tol计算逻辑），也可以用numpy.select：

import numpy as np

# 定义条件列表
conditions = [
    df['keyword'] == 'Note',
    df['keyword'] == 'Roughness',
    df['keyword'] == 'Position'
    # 补充剩余条件
]

# 定义对应条件的处理结果
choices = [
    df['spec'],
    df['spec'],
    (df['upper tol'] - df['lower tol']) / 2
    # 对应每个条件的计算逻辑
]

# 生成结果，默认值设为NaN
df['result'] = np.select(conditions, choices, default=np.nan)

方案优势 #

• 代码模块化：所有规则集中在字典/条件列表，修改或新增关键词只需调整映射，无需改动核心逻辑
• 可读性提升：避免嵌套if-else的混乱结构，逻辑一目了然
• 扩展性强：新增关键词时仅需在映射中添加条目，符合开闭原则

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