编写Pandas DataFrame列值修改函数X(df)结果不符预期，求修正

问题说明 #

需实现函数X(df)，按以下规则修改DataFrame第一列的值：

• 规则1：若值在[0, 0.5]区间内，替换为该行所有列值的总和；
• 规则2：若值在[1.0, 2.0]区间内，替换为-99；注意：规则1替换后的值若落入此区间，仍需执行规则2

原始DataFrame：

原代码运行结果与预期不符，预期输出：

原代码的核心问题 #

1. 错误修改整列而非目标行：df.iloc[:,0] = df.sum(axis=1)会将第一列所有行替换为各行总和，df.iloc[:,0] = int(-99)会把整个第一列设为-99，完全不符合“仅修改符合条件的行”的需求；
2. 未处理规则联动逻辑：仅基于原始值判断规则，没考虑规则1替换后的值是否需要触发规则2；
3. 循环遍历无对应行关联：遍历第一列值时，未绑定行索引，无法精准定位修改目标。

修正后的代码 #

import pandas as pd

def X(df):
    # 复制原DataFrame，避免修改原始输入数据
    df = df.copy()
    # 预计算每行的总和，供规则1使用
    row_sums = df.sum(axis=1)
    first_col = df.columns[0]
    
    # 第一步：应用规则1，替换[0,0.5]区间的值为行总和
    mask_rule1 = (df[first_col] >= 0) & (df[first_col] <= 0.5)
    df.loc[mask_rule1, first_col] = row_sums[mask_rule1]
    
    # 第二步：应用规则2，替换[1.0,2.0]区间的值为-99（含规则1修改后的数据）
    mask_rule2 = (df[first_col] >= 1.0) & (df[first_col] <= 2.0)
    df.loc[mask_rule2, first_col] = -99
    
    return df

代码说明 #

• 使用**掩码（mask）**实现向量化操作，比循环更高效且符合Pandas最佳实践；
• 先复制DataFrame，避免污染原始数据；
• 按顺序执行规则1和规则2，确保规则1修改后的值能被规则2检测到；
• 通过df.columns[0]定位第一列，比iloc[:,0]更具可读性（若列名固定，也可直接写列名如'A'）。

测试验证 #

用原始数据测试：

# 构造原始DataFrame
data = {'A': [0.4, 0.0, 10.0, 1.5, 0.1, 0.5],
        'B': [1.0, 0.5, 0.0, -100.0, 0.1, -10.0]}
df = pd.DataFrame(data, index=[0,1,2,3,4,5])

# 调用函数
result = X(df)
print(result)

输出结果与预期完全一致。

内容的提问来源于stack exchange，提问作者Kyle_J