Pandas如何根据多条件正确更新DataFrame列值

这个报错的本质是两点：

1. Python原生if/elif/else分支只能接收单个布尔值作为判断依据，但df.a == 'one'、df.b < 50这类Pandas操作返回的是与DataFrame行数等长的布尔型Series，原生逻辑判断无法直接处理整组布尔值，因此抛出真值歧义的错误。
2. Pandas做逐元素逻辑运算时，不能使用Python内置的and/or/not关键字，这类关键字默认判断整个对象的真假，而非逐行判断；需要替换为Pandas/NumPy支持的逐元素运算符：&（与）、|（或）、~（非），且每个独立条件必须用圆括号包裹，避免运算符优先级引发逻辑错误。

以下三种方案均为向量化实现，性能远高于逐行遍历，可根据使用场景选择：

方案1：loc 分步赋值（可读性最高，推荐新手使用） #

先给全列设置默认值，再按条件优先级逐次覆盖对应行的值即可：

# 先给所有行设置默认值2
df["f"] = 2
# 匹配第一个规则：a列值为'one'且b列值小于50，赋值0
df.loc[(df["a"] == "one") & (df["b"] < 50), "f"] = 0
# 匹配第二个规则：a列值为'two'且d列值大于50，赋值1
df.loc[(df["a"] == "two") & (df["d"] > 50), "f"] = 1

执行后f列结果为 [0, 0, 2, 1, 2, 2]，完全匹配赋值规则。

方案2：numpy.select 条件映射（适合多条件场景） #

将条件列表和对应赋值按顺序一一对应，最后指定默认值即可，条件数量多的时候代码结构更清晰：

import numpy as np

cond_list = [
    (df["a"] == "one") & (df["b"] < 50),
    (df["a"] == "two") & (df["d"] > 50)
]
value_list = [0, 1]
df["f"] = np.select(cond_list, value_list, default=2)

方案3：嵌套numpy.where（适合双分支/三分支简单场景） #

类似Excel的IF函数嵌套，逐层判断：

import numpy as np

df["f"] = np.where(
    (df["a"] == "one") & (df["b"] < 50),
    0,
    np.where(
        (df["a"] == "two") & (df["d"] > 50),
        1,
        2
    )
)

• 每个独立条件必须加圆括号，例如(df["a"] == "one") & (df["b"] < 50)不能写成df["a"] == "one" & df["b"] < 50，后者会因为&优先级高于==和<出现计算逻辑错误。
• 不要使用iterrows()/itertuples()逐行循环赋值，这类方法是纯Python层面的循环，数据量较大时运算速度比上述向量化方案慢几十到上百倍。

内容的提问来源于stack exchange，提问作者zum809