Pandas如何对DataFrame所有列按条件批量更新字段值

你当前的单列处理逻辑完全正确，要批量覆盖所有列不需要逐列重复写相同代码，优先用Pandas原生向量化操作实现，性能远高于循环写法。

方案1：全表向量化处理（推荐，性能最优） #

这个写法会自动对齐所有行列索引，非数值列不会被误修改，代码最简洁：

# 固定规则常量
THRESHOLD = 100000
UINT32_MAX = 4294967295

# 生成全表布尔掩码，标记所有需要替换的单元格
replace_mask = df > THRESHOLD
# 直接对命中位置做赋值计算
df[replace_mask] = (UINT32_MAX - df[replace_mask]) + 1

如果你的DataFrame全是数值类型列，直接用这段代码就可以得到和单列处理完全一致的结果。

方案2：仅处理数值列（兼容混合类型表） #

如果表中存在字符串、时间、分类等非数值类型列，先筛选数值列再处理，避免类型比较报错：

THRESHOLD = 100000
UINT32_MAX = 4294967295

# 筛选所有数值类型列
numeric_cols = df.select_dtypes(include="number").columns
# 仅在数值列范围内生成掩码、做替换
col_mask = df[numeric_cols] > THRESHOLD
df[numeric_cols] = df[numeric_cols].mask(col_mask, (UINT32_MAX - df[numeric_cols]) + 1)

方案3：逐列循环写法（逻辑最直观，适合小数据量） #

如果更习惯逐列处理的逻辑，可以写循环遍历列，和你原来的单列代码逻辑完全一致：

THRESHOLD = 100000
UINT32_MAX = 4294967295

for col_name in df.columns:
    # 跳过非数值列
    if not pd.api.types.is_numeric_dtype(df[col_name]):
        continue
    # 复用你原来的单列处理逻辑
    col_mask = df[col_name] > THRESHOLD
    df.loc[col_mask, col_name] = (UINT32_MAX - df.loc[col_mask, col_name]) + 1

避坑提示：不要使用df.apply()搭配自定义lambda的方式实现该逻辑，apply本质是逐行/逐列的Python层循环，性能比原生向量化操作低1~2个数量级，数据量超过10万行时差距会非常明显。

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