如何将基于Device Type的DataFrame列乘法逻辑封装为函数？

一、封装好的函数实现 #

这里提供三种不同风格的实现，你可以根据习惯选择：

1. 使用mask方法的封装 #

import pandas as pd

def generate_guess(df, target_col, coeffs):
    # coeffs格式：{'iOS': 系数值, 'Android': 系数值}
    df['Guess'] = pd.NA  # 初始化空值，数值列用pd.NA比pd.NaT更合适
    df['Guess'] = df['Guess'].mask(df['Device Type'] == 'iOS', df[target_col] * coeffs['iOS'])
    df['Guess'] = df['Guess'].mask(df['Device Type'] == 'Android', df[target_col] * coeffs['Android'])
    return df

2. 使用loc方法的封装 #

def generate_guess_loc(df, target_col, coeffs):
    df['Guess'] = pd.NA
    # 直接定位iOS行赋值
    df.loc[df['Device Type'] == 'iOS', 'Guess'] = df.loc[df['Device Type'] == 'iOS', target_col] * coeffs['iOS']
    # 直接定位Android行赋值
    df.loc[df['Device Type'] == 'Android', 'Guess'] = df.loc[df['Device Type'] == 'Android', target_col] * coeffs['Android']
    return df

3. 更简洁高效的映射乘法 #

这种方式一行核心代码搞定，可读性和效率都不错：

def generate_guess_efficient(df, target_col, coeffs):
    # 把设备类型映射为对应系数，再和目标列相乘
    df['Guess'] = df[target_col] * df['Device Type'].map(coeffs)
    return df

二、mask和loc的适用场景对比 #

• mask：适合基于条件替换已有值的链式操作，不用重复写布尔索引，代码更连贯。但需要先初始化列的空值，再逐步替换。
• loc：直接定位符合条件的行和列赋值，逻辑直白，新手更容易理解。如果只是给特定行赋值，跳过了先初始化再替换的步骤。

对你的1500行数据来说，两种方法的性能差异可以忽略，选哪个全看你觉得哪种代码更顺眼。另外上面的第三种映射方法，代码最简洁，推荐优先使用。

三、使用示例 #

# 定义不同设备的系数
device_coeffs = {'iOS': 0.333, 'Android': 0.312}

# 基于DAU生成Guess列
df = generate_guess_efficient(df, 'DAU', device_coeffs)

# 换成MAU生成Guess列也一样
df = generate_guess_efficient(df, 'MAU', device_coeffs)

内容的提问来源于stack exchange，提问作者B S