如何简化重复的Pandas批量赋值代码？硬编码是否最优？

你的逐个loc赋值写法确实冗余，维护成本高，硬编码不是最优选择。下面提供几种更简洁、易维护的实现方式：

方案1：正则匹配+字典映射 #

先定义关键词与产品名称的映射字典，再通过正则匹配提取对应关键词，最后映射为目标产品值。这种方法性能较好，适合大数据集：

import pandas as pd

# 定义关键词到产品的映射字典
product_map = {
    'Bathroom': 'Bathroom',
    'Roof': 'Roofing',
    'Siding': 'Siding',
    'Window': 'Window',
    'Water Treatment': 'Water Treatment',
    'Water Heater': 'Water Heater',
    'Pump': 'Pump',
    'Granulator': 'Granulator',
    'Plumbing': 'Plumbing',
    'Door': 'Door'
}

# 按关键词长度倒序构建正则模式，避免短关键词优先匹配（比如防止"Water"提前匹配，覆盖"Water Treatment"）
pattern = '|'.join(sorted(product_map.keys(), key=lambda x: len(x), reverse=True))

# 提取匹配的关键词并映射为产品名称
df['Product'] = df['Campaign'].str.extract(f'({pattern})', expand=False).map(product_map)

方案2：使用np.select批量处理条件 #

将所有匹配条件和对应结果整理为列表，通过np.select一次性完成赋值，逻辑清晰直观：

import pandas as pd
import numpy as np

product_map = {
    'Bathroom': 'Bathroom',
    'Roof': 'Roofing',
    'Siding': 'Siding',
    'Window': 'Window',
    'Water Treatment': 'Water Treatment',
    'Water Heater': 'Water Heater',
    'Pump': 'Pump',
    'Granulator': 'Granulator',
    'Plumbing': 'Plumbing',
    'Door': 'Door'
}

# 生成条件列表和对应结果列表
conditions = [df['Campaign'].str.contains(key) for key in product_map.keys()]
choices = list(product_map.values())

# 批量赋值，无匹配项设为NaN
df['Product'] = np.select(conditions, choices, default=np.nan)

方案3：apply逐行匹配（适合小数据集） #

如果数据集不大，也可以用apply遍历每行，找到第一个匹配的关键词并返回对应产品：

import pandas as pd
import numpy as np

product_map = {
    'Bathroom': 'Bathroom',
    'Roof': 'Roofing',
    'Siding': 'Siding',
    'Window': 'Window',
    'Water Treatment': 'Water Treatment',
    'Water Heater': 'Water Heater',
    'Pump': 'Pump',
    'Granulator': 'Granulator',
    'Plumbing': 'Plumbing',
    'Door': 'Door'
}

def get_product(campaign):
    for key, value in product_map.items():
        if key in campaign:
            return value
    return np.nan

df['Product'] = df['Campaign'].apply(get_product)

总结 #

硬编码逐个赋值的方式存在代码冗余、维护成本高的问题，新增或修改关键词时需要重复修改代码。上述方案中：

• 正则映射和np.select性能更优，适合处理大规模数据；
• apply逻辑更直观，适合小数据集或需要复杂匹配逻辑的场景。

内容的提问来源于stack exchange，提问作者internet joe