Python如何遍历DataFrame的每一行以修改列值？

一、高效生成HV列（别用iterrows） #

iterrows效率低还容易踩坑，直接用字典映射+map方法搞定，比遍历快太多：

1. 先从你的球队HV值文件里把对应关系转成字典，比如用csv读取的话：

   import pandas as pd
   # 读取文件并转成{球队名: HV值}的字典
   hv_map = pd.read_csv('球队HV值文件.csv').set_index('HomeTeam')['HV'].to_dict()
   # 要是手动测试的话，直接写示例字典也行
   hv_map = {'Burnley':50, 'Crystal Palace':65}
   

2. 一行代码给整个DataFrame加HV列：

   df['HV'] = df['HomeTeam'].map(hv_map)
   

   所有行的HV值直接对应上，根本不用逐行遍历。

二、处理其他列的NaN值 #

根据列的类型选合适的填充方式：

• 数值列：填充均值或者中位数

  # 给所有数值列的NaN填均值
  num_cols = df.select_dtypes(include=['int64', 'float64']).columns
  df[num_cols] = df[num_cols].fillna(df[num_cols].mean())
  # 单独给某列填中位数
  df['射门数'] = df['射门数'].fillna(df['射门数'].median())
  

• 分类/文本列：填充众数或者固定默认值

  # 填出现次数最多的那个值
  df['主裁判'] = df['主裁判'].fillna(df['主裁判'].mode()[0])
  # 填固定默认值
  df['天气'] = df['天气'].fillna('晴')
  

• 特殊条件填充：比如根据其他列的值来填

  # 示例：当HomeTeam是Burnley时，把某列的NaN填成0
  df.loc[df['HomeTeam'] == 'Burnley', '某列'] = df.loc[df['HomeTeam'] == 'Burnley', '某列'].fillna(0)
  

三、真要遍历的话（不推荐） #

如果特殊逻辑必须逐行处理，别直接改iterrows返回的行（那是副本），用df.loc修改原DataFrame：

for idx, row in df.iterrows():
    if row['HomeTeam'] == 'Burnley':
        df.loc[idx, 'HV'] = 50
    elif row['HomeTeam'] == 'Crystal Palace':
        df.loc[idx, 'HV'] = 65
    # 处理NaN
    if pd.isna(row['某列']):
        df.loc[idx, '某列'] = '默认填充值'

但这种方法数据量大的时候会巨慢，能不用就不用。

内容的提问来源于stack exchange，提问作者Ishan