如何通过循环批量创建基于指定行数据的Pandas新列

假设我们有如下示例DataFrame：

import pandas as pd

df = pd.DataFrame({
    'Country': ['China', 'Canada', 'Mexico', 'Ethiopia'],
    'Population': [100, 15, 25, 30],
    'Region': ['Asia', 'NAmerica', 'NAmerica', 'Africa'],
    'HDI': ['High', 'V.High', 'Medium', 'Low']
})

需求是：基于埃塞俄比亚的Population、Region、HDI数据批量创建对应新列，让所有行的新列都填充埃塞俄比亚的对应值，替代手动逐个创建列的低效方式。

原方法的问题 #

之前手动逐个创建列的方式，在列数较多时非常繁琐且耗时：

df['Population_2'] = df['Population'][df['Country'] == "Ethiopia"]
df['Region_2'] = df['Region'][df['Country'] == "Ethiopia"]
df['Population_2'].fillna(method='ffill')

高效解决方案 #

方法1：循环批量创建列

先提取埃塞俄比亚的行数据，再遍历目标列批量生成新列：

# 获取埃塞俄比亚的行数据（转为Series）
ethiopia_row = df[df['Country'] == 'Ethiopia'].iloc[0]

# 定义需要复制的列名列表
target_cols = ['Population', 'Region', 'HDI']

# 循环创建新列
for col in target_cols:
    df[f'{col}_2'] = ethiopia_row[col]

方法2：向量式合并（无循环更高效）

直接提取埃塞俄比亚的行，复制为与原DataFrame行数一致的新表，重命名列后合并：

target_cols = ['Population', 'Region', 'HDI']

# 提取埃塞俄比亚的行，重命名列并重置索引
ethiopia_expanded = df[df['Country'] == 'Ethiopia'] \
    .rename(columns={col: f'{col}_2' for col in target_cols}) \
    .reset_index(drop=True)

# 合并原表与扩展后的埃塞俄比亚数据
df = pd.concat([df, ethiopia_expanded], axis=1)

最终效果 #

执行后得到的DataFrame如下：

Country  Population    Region     HDI  Population_2 Region_2 HDI_2
0     China         100      Asia    High            30    Africa   Low
1    Canada          15  NAmerica  V.High            30    Africa   Low
2    Mexico          25  NAmerica  Medium            30    Africa   Low
3  Ethiopia          30    Africa     Low            30    Africa   Low

内容的提问来源于stack exchange，提问作者JodeCharger100