如何基于多列条件设置DataFrame列值且不覆盖已匹配结果？

先还原你的需求示例表格：

你需要基于Column A和Column B的组合规则生成Column C，同时避免后续条件覆盖已匹配的初始值，以下是具体解决方案：

核心思路：按优先级排序条件，优先匹配高优先级规则 #

不管用np.select还是分步赋值，核心都是让先匹配的规则优先生效，后续规则只作用于未被前面规则覆盖的行。

方案1：用np.select实现多优先级条件

np.select会按条件列表的顺序依次匹配，只要某行满足前面的条件，就会返回对应结果，不会再判断后面的条件，天然避免覆盖问题。

先从示例中提炼明确的规则优先级：

1. Column A为Ball → Yes
2. Column A为Paper或Shoes → No
3. 未匹配前两条，且Column B为1 → No
4. 其他所有情况 → Yes

对应代码：

import numpy as np
import pandas as pd

# 构造示例DataFrame（替换成你的真实数据）
data = {
    'Column A': ['Ball', 'Paper', 'Shoes', 'Pen', 'Glue'],
    'Column B': [1, 2, 10, 4, 1]
}
df = pd.DataFrame(data)

# 按优先级排列条件
conditions = [
    df['Column A'] == 'Ball',
    df['Column A'].isin(['Paper', 'Shoes']),
    df['Column B'] == 1
]
# 对应条件的输出值
outcomes = ['Yes', 'No', 'No']

# 生成Column C，未匹配任何条件的行用默认值'Yes'
df['Column C'] = np.select(conditions, outcomes, default='Yes')

运行后得到的结果完全匹配示例表格。

方案2：分步用df.loc赋值，精准控制修改范围

如果觉得np.select不够直观，可以分步赋值，每次只修改未被之前规则覆盖的行：

import pandas as pd

# 构造示例DataFrame
data = {
    'Column A': ['Ball', 'Paper', 'Shoes', 'Pen', 'Glue'],
    'Column B': [1, 2, 10, 4, 1]
}
df = pd.DataFrame(data)

# 1. 初始化默认值
df['Column C'] = 'Yes'

# 2. 匹配Column A为Ball的行（默认已经是Yes，可省略，仅演示流程）
df.loc[df['Column A'] == 'Ball', 'Column C'] = 'Yes'

# 3. 匹配Column A为Paper/Shoes的行
df.loc[df['Column A'].isin(['Paper', 'Shoes']), 'Column C'] = 'No'

# 4. 匹配未被前两条覆盖，且Column B为1的行
unmasked = ~df['Column A'].isin(['Ball', 'Paper', 'Shoes'])
df.loc[unmasked & (df['Column B'] == 1), 'Column C'] = 'No'

这种方式每一步都精准定位需要修改的行，完全不会覆盖已设置的值。

你的旧代码问题解析 #

1. TypeError问题：你提到的TypeError: 'Series' object is not callable和条件3、4无关——(df['Column B'] == 1)是合法的布尔Series，大概率是代码其他位置的变量名冲突（比如把某个Series变量当成函数调用了）。
2. 值被覆盖问题：你用np.where直接赋值时，会对所有行重新判断赋值，自然会覆盖之前生成的Column C值，而用np.select或df.loc的方式，能严格控制修改范围。

内容的提问来源于stack exchange，提问作者Afiq Amran