如何在Pandas中使用二维布尔数组作为掩码实现单元格赋值？

当然没问题！在Pandas里用二维布尔数组做掩码赋值简直是家常便饭，完全不需要写那些低效又繁琐的循环，我给你分享几个优雅高效的实现方式：

方法1：直接布尔索引赋值 #

这是最直观的方式，只要你的二维布尔数组（不管是numpy数组还是布尔类型的DataFrame）和目标DataFrame维度完全匹配，直接通过索引赋值即可：

import pandas as pd
import numpy as np

# 示例DataFrame
df = pd.DataFrame(np.arange(9).reshape(3,3), columns=['A','B','C'])
# 同维度布尔掩码
mask = np.array([[True, False, True],
                 [False, True, False],
                 [True, False, True]])
X = 99

# 赋值操作
df[mask] = X

执行后，所有mask中为True的单元格都会被设置为X，其余单元格保持原值。

方法2：使用df.mask()函数 #

mask()方法的逻辑正好贴合你的需求：将满足掩码条件（值为True）的元素替换为指定值，直接调用即可：

df = df.mask(mask, X)

这个方法会返回一个新的DataFrame（如果不想修改原数据，记得提前复制），也可以通过inplace=True参数直接修改原DataFrame：

df.mask(mask, X, inplace=True)

方法3：使用df.where()函数 #

where()方法的逻辑和mask()相反：保留满足条件的元素，不满足的替换为指定值。所以我们需要对掩码取反，让原掩码为True的位置变成不满足条件，从而被替换：

df = df.where(~mask, X)

同样，也支持inplace=True参数直接修改原数据。

为什么这些方法比循环好？ #

以上所有方法都是Pandas内置的向量化操作，底层用C语言实现，执行效率比Python层面的循环高几个数量级，代码也更简洁易读，完全符合你“高效优雅”的需求。

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