为Pandas DataFrame添加条件计算列：比iterrows()更优的替代方法？

针对你的需求，以下几种方法可以完全替代iterrows()，大幅提升运行效率并降低内存占用：

1. 用 np.where 实现向量化条件判断 #

这是最推荐的方案，完全基于向量化操作，性能最优：

import numpy as np

# 先计算所有行共用的分子部分
numerator = SynergyTable['WinRate'] - 50 + SynergyTable['Delta1'] + SynergyTable['Delta2']
# 定义判断条件
ad_support_condition = ((SynergyTable['role'] == 'AD') & (SynergyTable['AllyPosition'] == 'Support')) | \
                       ((SynergyTable['role'] == 'Support') & (SynergyTable['AllyPosition'] == 'AD'))
# 根据条件选择除数，直接生成新列
SynergyTable['MatchupScores'] = np.where(ad_support_condition, numerator / 2, numerator / 3)

向量化操作会将计算任务交给底层优化的C语言实现，比逐行循环快数倍甚至数十倍，且无需额外列表存储中间结果。

2. 用 Pandas loc 分条件赋值 #

逻辑清晰，适合需要分步处理的场景：

# 计算公共分子
numerator = SynergyTable['WinRate'] - 50 + SynergyTable['Delta1'] + SynergyTable['Delta2']
ad_support_condition = ((SynergyTable['role'] == 'AD') & (SynergyTable['AllyPosition'] == 'Support')) | \
                       ((SynergyTable['role'] == 'Support') & (SynergyTable['AllyPosition'] == 'AD'))

# 先给所有行设置默认值（非AD-Support组合的情况）
SynergyTable['MatchupScores'] = numerator / 3
# 再对满足条件的行覆盖赋值
SynergyTable.loc[ad_support_condition, 'MatchupScores'] = numerator.loc[ad_support_condition] / 2

这种方法通过批量赋值避免逐行遍历，同样具备优秀的性能表现。

3. 用 apply 快速改写（性能略逊于前两种） #

如果想保留类似原代码的逻辑结构，apply比iterrows()更高效，但仍不如向量化方法：

def calculate_matchup_score(row):
    numerator = row['WinRate'] - 50 + row['Delta1'] + row['Delta2']
    if (row['role'] == 'AD' and row['AllyPosition'] == 'Support') or (row['role'] == 'Support' and row['AllyPosition'] == 'AD'):
        return numerator / 2
    return numerator / 3

SynergyTable['MatchupScores'] = SynergyTable.apply(calculate_matchup_score, axis=1)

apply本质还是逐行处理，但内部优化比iterrows()更好，适合快速迁移代码但对性能要求不极致的场景。

内容的提问来源于stack exchange，提问作者Tim Vowden