如何用Python DataFrame实现可调整风险评分函数？解决ValueError

• 需求：实现一个可处理不同DataFrame对象的评分函数，规则为数值越高风险越高，高风险权重高于中低风险
• 报错信息：使用if-else语句实现时持续触发以下错误：

  ValueError: The truth value of a DataFrame is ambiguous. Use a.empty, a.bool(), a.item(), a.any() or a.all().
  

直接将DataFrame的布尔比较结果（布尔型DataFrame）放入if条件中时，Python无法判断整个DataFrame的布尔值（每个元素都有独立的True/False），因此抛出歧义错误。同时原代码存在逻辑缺陷：

1. 硬编码固定df变量，无法适配不同DataFrame输入
2. 嵌套if逻辑错误，会重复加分且仅处理单一行数据，不符合逐行评分的需求

以下两种方法均采用Pandas/Numpy的向量式操作，高效且能处理任意符合格式的DataFrame：

测试数据准备 #

import pandas as pd
import numpy as np

# 生成测试DataFrame
df = pd.DataFrame(np.random.randint(0,1000,size=(1000)), columns=['value'])

方法1：使用pd.cut（适合区间明确的评分规则） #

def calculate_risk_score(df, col_name):
    # 定义风险区间（左开右闭）及对应分数
    bins = [-np.inf, 300, 500, 700, np.inf]
    scores = [0, 1, 2, 3]
    
    # 为每行数据分配对应分数
    df['risk_score'] = pd.cut(
        df[col_name], 
        bins=bins, 
        labels=scores, 
        include_lowest=True  # 包含左端点（<=300的情况）
    ).astype(int)
    
    return df

调用示例：

result_df = calculate_risk_score(df, 'value')
print(result_df.head(20))

方法2：使用np.select（适合自定义复杂条件） #

def calculate_risk_score(df, col_name):
    # 定义条件列表与对应分数（按优先级排序，高优先级在前）
    conditions = [
        df[col_name] > 700,                # 高风险
        (df[col_name] > 500) & (df[col_name] <= 700),  # 中风险
        (df[col_name] > 300) & (df[col_name] <= 500),  # 低风险
        df[col_name] <= 300                # 无风险
    ]
    scores = [3, 2, 1, 0]
    
    # 逐行匹配条件并赋值分数
    df['risk_score'] = np.select(conditions, scores, default=0)
    
    return df

• 未将DataFrame作为参数传入函数，无法复用处理不同数据
• 试图用if判断整个DataFrame的布尔结果，触发歧义错误
• 嵌套if逻辑会重复叠加分数，违背“高风险权重高于中低风险”的规则（应是高风险对应单一高分，而非叠加）

内容的提问来源于stack exchange，提问作者James