如何为DataFrame按条件生成新列？解决返回Series而非值的问题

先构造示例DataFrame用于测试：

import pandas as pd
import numpy as np

df = pd.DataFrame({
    'A': [1, 11, 111],
    'B': [2, 22, 222],
    'C': [3, 33, 333]
})

以下是几种简单高效的实现方式，都能直接生成由单个值组成的D列，避免返回Series列表的问题：

方法1：np.select（推荐，大数据场景效率最优） #

通过定义条件列表和对应取值序列，直接批量生成结果：

# 定义匹配条件
conditions = [
    df['A'] == 1,
    df['A'] == 11,
    df['A'] == 111  # 可按需扩展更多规则
]
# 对应条件的取值列
choices = [
    df['B'],
    df['C'],
    df['B']  # 这里假设A=111时取B列，可根据实际需求修改
]

# 生成D列，default为未匹配条件时的默认值
df['D'] = np.select(conditions, choices, default=np.nan)

方法2：apply逐行处理（规则灵活时适用） #

通过自定义函数逐行判断取值，指定axis=1按行处理：

def get_d_value(row):
    if row['A'] == 1:
        return row['B']
    elif row['A'] == 11:
        return row['C']
    elif row['A'] == 111:
        return row['B']
    else:
        return np.nan

df['D'] = df.apply(get_d_value, axis=1)

方法3：字典映射+lookup（映射关系明确时更简洁） #

如果A列的值和目标列有固定映射关系，可通过字典快速匹配：

# 定义A值到目标列名的映射
col_map = {1: 'B', 11: 'C', 111: 'B'}
# 先将A值转换为对应列名，再通过lookup取对应位置的值
df['D'] = df.lookup(df.index, df['A'].map(col_map))

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