Pandas如何基于Description字段条件修改对应行Cat_Tier_2列值

• 原生if/elif是单值判断逻辑，直接传pandas的Series列对象时，"xxx" in df["列名"]只会判断关键词是否存在于列的索引中，不会逐行扫描文本内容
• str.replace方法只会返回替换后的新Series，不把结果赋值回原列的话，不会对原表数据产生任何修改
• 你的需求是满足行条件时整格替换为固定值，不需要用字符串替换方法，直接按条件赋值即可

优先用向量化操作，性能远高于逐行循环，数据量大的时候差距非常明显。

方法1：loc布尔索引赋值（最直观，适合分支少的场景） #

先把Description列统一转小写，避免大小写不一致导致匹配遗漏，加na=False跳过空值防止报错：

desc_lower = df["Description"].str.lower()
# 匹配到wireless的行，Cat_Tier_2赋值为Wireless
df.loc[desc_lower.str.contains("wireless", na=False), "Cat_Tier_2"] = "Wireless"
# 匹配到corded的行，Cat_Tier_2赋值为Corded
df.loc[desc_lower.str.contains("corded", na=False), "Cat_Tier_2"] = "Corded"

如果两个关键词可能同时出现在同一条Description里，上面的写法会以后面的赋值规则为准，你可以根据业务优先级调整两行代码的顺序。

方法2：np.select 多条件匹配（适合分支多的场景，可读性更好） #

把所有判断条件和对应目标值按顺序列出来即可，未命中任何条件的行可以通过default参数保留原值：

import numpy as np

desc_lower = df["Description"].str.lower()
conditions = [
    desc_lower.str.contains("wireless", na=False),
    desc_lower.str.contains("corded", na=False)
]
target_values = ["Wireless", "Corded"]

df["Cat_Tier_2"] = np.select(conditions, target_values, default=df["Cat_Tier_2"])

方法3：逐行apply自定义函数（和原生if逻辑写法最接近，仅适合小数据量） #

如果习惯写原生if判断，可以用apply逐行传入判断逻辑，本质是Python层循环，数据量超过10万行时运行速度会明显变慢：

def match_category(row):
    desc_text = str(row["Description"]).lower()
    if "wireless" in desc_text:
        return "Wireless"
    elif "corded" in desc_text:
        return "Corded"
    # 不满足条件保留原值
    return row["Cat_Tier_2"]

# axis=1表示按行传入数据
df["Cat_Tier_2"] = df.apply(match_category, axis=1)

注意：所有pandas修改列值的操作，都需要把运算/筛选后的结果重新赋值回对应列，或者用loc直接定位位置赋值，单独调用方法不接收返回值不会修改原数据。

内容的提问来源于stack exchange，提问作者Shaggy89