Pandas如何使用.isin替代if分支中多个or条件实现赋值

你原来的逐行apply+多or连接的写法不仅冗余，数据量大时执行效率也很低，直接用Series.isin()搭配向量化赋值就能简化逻辑，同时性能提升非常明显。

最优实现代码 #

把所有需要匹配的Office值统一放到列表中维护，后续新增/删除匹配项只需要修改列表即可，不需要改动判断逻辑：

import numpy as np

# 待匹配的地区列表
match_regions = ['USA', 'UK', 'Aus', 'Can']
# 向量化判断赋值，无需逐行遍历
office_data['Area'] = np.where(office_data['Office'].isin(match_regions), 1, 2)

逻辑说明 #

• office_data['Office'].isin(match_regions)会返回长度和原数据一致的布尔序列：Office字段在目标列表内的行返回True，否则返回False
• np.where按布尔结果批量赋值：匹配到的行赋值为1，未匹配的行赋值为2，全程为C层面的向量化运算，比apply(axis=1)的逐行Python循环效率高1~2个数量级，数据量越大优势越明显。

无额外依赖写法 #

如果不想导入numpy，也可以直接利用布尔值转整数的规则（True对应整数1，False对应整数0）直接运算：

match_regions = ['USA', 'UK', 'Aus', 'Can']
office_data['Area'] = 2 - office_data['Office'].isin(match_regions).astype(int)

这个写法执行效率和numpy方案接近，只是可读性稍差，适合二值判断的简单场景。

如果后续判断分支增多（比如超过2个返回值），可以替换为pandas.cut或者Series.map搭配字典映射的方式实现，同样不需要写逐行判断的apply函数。

内容的提问来源于stack exchange，提问作者imikiei