Pandas按Cost_centre匹配替换Pool_costs 未匹配保留原值实现问题

给定如下DataFrame：

输入df：

实现需求：根据Cost_centre字段值，将对应行的Pool_costs字段值替换为'B'；若Cost_centre值不在指定列表中，则保留Pool_costs的原有值。本次指定需要匹配替换的Cost_centre列表为[90272, 91350]。

预期输出df：

现有尝试的问题 #

• 第一种lambda+apply写法错误：else分支直接返回整个df['Pool_costs']列，没有取当前行的原值，导致结果不符合预期，错误代码如下：

df = pd.DataFrame({'Cost_centre': [90272, 92705, 98754, 91350],
                   'Pool_costs': ['A', 'A', 'A', 'A']})

pool_cc = ([90272,91350])
pool_cc_set = set(pool_cc)

df['Pool_costs'] = df['Cost_centre'].apply(lambda x: 'B' if x in pool_cc_set else df['Pool_costs'])
print (df)

• 第二种多条件拼接写法问题：当需要匹配的Cost_centre数量较多时，需要手动拼接大量等值判断，可读性差、维护成本高，且原代码存在语法错误（括号不匹配、数值与字符串类型不匹配无法正确比较），原代码如下：

df = pd.DataFrame({'Cost_centre': [90272, 92705, 98754, 91350],
                   'Pool_costs': ['A', 'A', 'A', 'A']})

filt = df['Cost_centre'] == '90272'|df['Cost_centre'] == '91350')
df.loc[filt, 'Pool_costs'] = 'B'

优先使用pandas原生向量化操作，性能远高于apply循环，且写法简洁易维护：

方案1：isin() + loc 赋值（最推荐） #

直接用isin()判断值是否在目标列表中生成过滤条件，再用loc定位赋值，无论目标列表有多少元素，只需要维护列表本身即可，代码可读性高、性能最优：

import pandas as pd

df = pd.DataFrame({'Cost_centre': [90272, 92705, 98754, 91350],
                   'Pool_costs': ['A', 'A', 'A', 'A']})

# 仅需维护这个目标匹配列表，新增/删除匹配值直接修改列表即可
pool_cc = [90272, 91350]

# 生成过滤条件：筛选Cost_centre在目标列表中的行
filt = df['Cost_centre'].isin(pool_cc)
# 仅对符合条件的行赋值为'B'，不符合条件的行自动保留原值
df.loc[filt, 'Pool_costs'] = 'B'

运行结果与预期完全一致。

方案2：numpy.where() 实现 #

如果偏好条件判断生成整列的写法，可以用numpy.where，逻辑直观：

import pandas as pd
import numpy as np

df = pd.DataFrame({'Cost_centre': [90272, 92705, 98754, 91350],
                   'Pool_costs': ['A', 'A', 'A', 'A']})
pool_cc = [90272, 91350]

df['Pool_costs'] = np.where(
    df['Cost_centre'].isin(pool_cc), # 判断条件
    'B', # 条件成立时的取值
    df['Pool_costs'] # 条件不成立时保留原值
)

方案3：修正后的apply写法（不推荐，性能差） #

如果一定要用apply实现，需要指定axis=1按行遍历，取当前行的Pool_costs值。该方式在数据量较大时性能远低于向量化操作，非必要不使用：

import pandas as pd

df = pd.DataFrame({'Cost_centre': [90272, 92705, 98754, 91350],
                   'Pool_costs': ['A', 'A', 'A', 'A']})
pool_cc = set([90272, 91350])

df['Pool_costs'] = df.apply(lambda row: 'B' if row['Cost_centre'] in pool_cc else row['Pool_costs'], axis=1)

注意：使用时需要确认Cost_centre字段的类型，如果字段是字符串类型，目标列表里的值也要对应写成字符串格式，避免类型不匹配导致匹配失败。

内容的提问来源于stack exchange，提问作者Chandler Shores