使用DataFrame与df.apply处理带条件的树木数据是否最优？

我把树木目录数据导入了Pandas DataFrame，数据示例如下：

>>> df
   ID    Tree  Zone  Temp_Limit Grade
0   1   Apple     1          21     A
1   2   Apple     1          21     B
2   3  Orange     3          28     B
3   4    Pear     2          26     A
4   5   Apple     4          24     C

需求是根据树木种类、Zone、Temp_Limit等多条件分支计算灌溉量、施肥量、预估移栽日期等参数并新增为DataFrame列，比如“Zone 2的苹果树用公式X，Zone 1的橙树用公式Y”，同时数据中存在仅含ID和树木种类的空白行（对应未交付的树木）需要跳过。

目前我用df.apply搭配自定义函数处理条件逻辑，代码示例如下：

def calculate_irrigation(species,zone,templimit,grade):
    if species.lower() == "apple":
        if zone == 3:
            # 具体计算逻辑
            pass
    # 其他分支逻辑

df['irrigation'] = df.apply(lambda x: calculate_irrigation(x['Tree'], x['Zone'], x['Temp_Limit'], x['Grade']), axis=1)

现在疑问：用DataFrame结合df.apply是不是这个场景的最优解？我选DataFrame是因为它适配性强、导入导出方便，但多条件下用自定义函数总觉得可能有更优方案。

df.apply确实能解决问题，但在数据量较大时性能会明显下降——因为它本质是逐行循环，并非Pandas原生的矢量化操作。以下是几个更优的替代方案：

1. 用numpy.select实现多条件矢量化计算 #

适合规则清晰、条件分支明确的场景，完全基于矢量化操作，性能远高于apply。以计算灌溉量为例：

import numpy as np

# 定义条件列表与对应计算结果列表
conditions = [
    (df['Tree'].str.lower() == 'apple') & (df['Zone'] == 1) & (df['Grade'] == 'A'),
    (df['Tree'].str.lower() == 'apple') & (df['Zone'] == 1) & (df['Grade'] == 'B'),
    (df['Tree'].str.lower() == 'orange') & (df['Zone'] == 3),
    # 其他自定义条件...
    # 最后添加空白行判断条件
    df[['Zone', 'Temp_Limit', 'Grade']].isna().any(axis=1)
]

results = [
    df['Temp_Limit'] * 0.8 + 5,  # 对应第一个条件的计算逻辑
    df['Temp_Limit'] * 0.7 + 4,  # 对应第二个条件的计算逻辑
    df['Temp_Limit'] * 1.2 + 3,  # 对应第三个条件的计算逻辑
    # 其他条件对应的结果...
    np.nan  # 空白行返回空值
]

df['irrigation'] = np.select(conditions, results, default=np.nan)

• 优点：原生矢量化速度快，条件与结果一一对应，代码结构清晰
• 缺点：条件分支过多时代码会变长，但可读性仍优于嵌套if

2. 用映射字典拆分单一维度规则 #

如果某一维度（如树种、Grade）的规则可映射为固定值，用字典映射会更简洁：

# 不同树种的基础灌溉系数
base_coeff = {
    'Apple': 0.7,
    'Orange': 1.1,
    'Pear': 0.9
}

# 先映射基础系数，再结合其他维度计算
df['base_coeff'] = df['Tree'].map(base_coeff)
df['irrigation'] = df['base_coeff'] * df['Temp_Limit'] + df['Zone'] * 0.5

# 处理空白行，设为空值
df.loc[df[['Zone', 'Temp_Limit']].isna().any(axis=1), 'irrigation'] = np.nan

• 优点：代码简洁，适合规则可拆分的场景

3. 用df.loc逐条件赋值 #

适合条件分支少、逻辑简单的情况，可读性极强：

# 初始化灌溉量列为空值
df['irrigation'] = np.nan

# Zone1的A级苹果树
mask = (df['Tree'].str.lower() == 'apple') & (df['Zone'] == 1) & (df['Grade'] == 'A')
df.loc[mask, 'irrigation'] = df.loc[mask, 'Temp_Limit'] * 0.8 + 5

# Zone1的B级苹果树
mask = (df['Tree'].str.lower() == 'apple') & (df['Zone'] == 1) & (df['Grade'] == 'B')
df.loc[mask, 'irrigation'] = df.loc[mask, 'Temp_Limit'] * 0.7 + 4

# Zone3的橙树
mask = (df['Tree'].str.lower() == 'orange') & (df['Zone'] == 3)
df.loc[mask, 'irrigation'] = df.loc[mask, 'Temp_Limit'] * 1.2 + 3

# 空白行已通过初始化为nan处理

• 优点：逻辑一目了然，调试方便；同样是矢量化操作，性能优异
• 缺点：条件较多时代码行数增加，但比嵌套if更易读

什么时候适合用df.apply？ #

• 条件逻辑极度复杂，无法拆分为矢量化条件组合（比如需要调用外部API、处理非数值型的复杂判断）
• 数据量极小（几千行以内），性能差异可忽略

如果数据量中等以上，优先选择矢量化方案（numpy.select、df.loc赋值、字典映射），性能比apply高几个数量级；如果逻辑特别复杂且数据量小，apply也可以接受。DataFrame本身的选择完全没问题，它的导入导出、数据处理能力完全适配你的场景，核心是替换掉逐行循环的apply，改用原生矢量化操作。

内容的提问来源于stack exchange，提问作者Stgauss