如何使用if elif else按条件为Pandas DataFrame新建列赋值

核心注意点：判断空值NaN不能使用== NaN的写法，NaN和任何值（包括自身）做相等判断都会返回False，空值判断需要用pd.isna()方法。

方法1：修改原有列表推导式（适合小数据量场景） #

列表推导的三元表达式支持多层嵌套，语法结构为[返回值1 if 条件1 else 返回值2 if 条件2 else 默认返回值 for 迭代元素]，对应需求修改后的代码如下：

import pandas as pd

df['status'] = [
    1 if i == 'Enable'
    else 0 if i == 'Disable'
    else 2
    for i in df['name']
]

前两个条件分别匹配'Enable'和'Disable'，剩余未匹配的就是NaN值，统一赋值为2即可。

方法2：矢量化赋值（大数据量场景推荐，性能远高于列表推导） #

Pandas和Numpy提供的矢量化方法是官方推荐的写法，不需要逐行遍历，执行效率更高，这里给两种最常用的实现：

• 用np.select做多分支匹配，逻辑清晰可读性强

import numpy as np

# 按优先级顺序写判断条件、对应赋值
cond_list = [
    df['name'] == 'Enable',
    df['name'] == 'Disable',
    pd.isna(df['name'])
]
value_list = [1, 0, 2]

df['status'] = np.select(cond_list, value_list)

• 固定值映射场景用map+fillna，代码最简洁
  因为name列只有三类固定取值，直接构建映射字典处理已知值，剩余空值统一填充即可：

status_map = {'Enable':1, 'Disable':0}
df['status'] = df['name'].map(status_map).fillna(2)

注意：尽量不要用逐行apply、iterrows循环的方式做赋值，这类方法的执行效率比矢量化写法低10~100倍，数据量较大时耗时会非常明显。

内容的提问来源于stack exchange，提问作者Alex