如何用Pandas DataFrame列值多条件计算新列及解决groupby报错

错误原因分析 #

你的代码出现ValueError的核心原因有3点：

1. 布尔条件语法错误：Pandas中多布尔条件需用&（按位与）而非and，且每个条件必须用括号包裹；原代码中df['value'] <=60 and df['value'] >=100不仅语法错误，逻辑也矛盾（没有数值能同时满足≤60且≥100）。
2. Series真值判断歧义：直接用if df[df['value'] <=30]判断布尔Series的真值，Pandas无法确定你要判断「任意元素为真」还是「所有元素为真」，因此抛出歧义错误。
3. 条件逻辑与语法错误：else df[df['value'] <=10]是语法错误，else后不能跟条件；且原条件区间完全混乱，无法匹配输入数据中的value值（30、60、90、120）。

正确解决方案 #

根据输入数据的value分布，先修正合理的条件区间，再用两种方式实现需求：

方式1：逐行计算（推荐，高效） #

使用np.select实现多条件映射，无需groupby（若需求是逐行根据value计算）：

import pandas as pd
import numpy as np

# 构造输入DataFrame
data = pd.DataFrame({
    'client_id': [1,2,3,4,5,6,4,5,6],
    'expo_value': [126,135,144,162,153,181,207,315,414],
    'value': [30,60,120,30,90,120,30,90,120],
    'cal_value': [27.06,36.18,45,54.09,63.63,72.9,99.09,126.63,81.9]
})

# 定义条件列表（修正后合理区间）
conditions = [
    data['value'] <= 30,
    (data['value'] > 30) & (data['value'] <= 90),
    (data['value'] > 90) & (data['value'] <= 120)
]

# 定义对应条件的计算式
choices = [
    data['expo_value'] * 30 + data['cal_value'] * 45,
    data['expo_value'] * 60 + data['cal_value'] * 90,
    data['expo_value'] * 100 + data['cal_value'] * 120
]

# 生成新列，不符合条件的返回NaN
data['new_column'] = np.select(conditions, choices, default=np.nan)

方式2：按client_id分组计算 #

若需按客户组统一判断（输入数据中每个客户的value值一致），可修正函数后使用groupby：

def cal_df(group):
    # 取组内第一个value值判断区间（因输入中同客户value一致）
    val = group['value'].iloc[0]
    if val <= 30:
        return group['expo_value'] * 30 + group['cal_value'] * 45
    elif 30 < val <= 90:
        return group['expo_value'] * 60 + group['cal_value'] * 90
    elif 90 < val <= 120:
        return group['expo_value'] * 100 + group['cal_value'] * 120
    else:
        return np.nan

# 应用分组计算并合并结果
data['new_column'] = data.groupby('client_id').apply(cal_df).reset_index(level=0, drop=True)

最终结果示例 #

执行后data的new_column列会生成对应计算值，例如：

• client_id=1的行：126*30 + 27.06*45 = 3780 + 1217.7 = 4997.7
• client_id=3的行：144*100 + 45*120 = 14400 + 5400 = 19800

内容的提问来源于stack exchange，提问作者Raz