基于uid匹配的最大值填充DataFrame的cost列

现有示例DataFrame：

example_df = {
    'parent_text': ['Pen', 'Pen', 'Pen', 'Pen', 'Pen', 'Pen', 'Pen'],
    'child_desc_text': ['orange' ,'red', 'green', 'brown', 'yellow', 'black', 'silver'],
    'cost': [0 ,1.20, 1.98, 0, 0, 0, 0],
    'uid': [12705024 ,12705087, 12705093, 12705087, 12705093, 12705093, 12705024]
}
df = pd.DataFrame(example_df)

对应表格：

需求：根据uid列的匹配项，将cost列填充为对应匹配项中的最大值，无有效匹配项则保持0。

预期输出DataFrame：

expected_df = {
    'parent_text': ['Pen', 'Pen', 'Pen', 'Pen', 'Pen', 'Pen', 'Pen'],
    'child_desc_text': ['orange' ,'red', 'green', 'brown', 'yellow', 'black', 'silver'],
    'cost': [0 ,1.20, 1.98, 1.20, 1.98, 1.98, 0],
    'uid': [12705024 ,12705087, 12705093, 12705087, 12705093, 12705093, 12705024]
}
expected_df = pd.DataFrame(expected_df)

对应表格：

已尝试np.where和np.select方法但未成功，寻求可行实现方案。

可以通过分组计算最大值+映射填充的方式实现，步骤简洁且高效：

代码实现 #

import pandas as pd

# 生成示例DataFrame
example_df = {
    'parent_text': ['Pen', 'Pen', 'Pen', 'Pen', 'Pen', 'Pen', 'Pen'],
    'child_desc_text': ['orange' ,'red', 'green', 'brown', 'yellow', 'black', 'silver'],
    'cost': [0 ,1.20, 1.98, 0, 0, 0, 0],
    'uid': [12705024 ,12705087, 12705093, 12705087, 12705093, 12705093, 12705024]
}
df = pd.DataFrame(example_df)

# 1. 计算每个uid对应的cost最大值，转为字典映射
uid_max_cost = df.groupby('uid')['cost'].max().to_dict()

# 2. 用映射字典填充cost列
df['cost'] = df['uid'].map(uid_max_cost)

# 查看结果
print(df)

逻辑解释 #

1. df.groupby('uid')['cost'].max()：按uid分组后，提取每组cost的最大值，得到以uid为索引的Series
2. .to_dict()：将上述Series转为字典，键为uid，值为对应组的最大cost
3. df['uid'].map(uid_max_cost)：将每行的uid替换为字典中对应的最大cost，直接赋值给原cost列完成填充

如果需要保留原cost列中的非0值（本例中原非0值已是对应uid的最大值，结果一致），可以搭配np.where实现：

import numpy as np

df['cost'] = np.where(df['cost'] == 0, df['uid'].map(uid_max_cost), df['cost'])

内容的提问来源于stack exchange，提问作者DECROMAX