如何用pandas loc函数同时检测多列条件并批量更新对应数值

1、是否可以使用loc实现该需求？ #

可以，完全可以通过loc实现指定列的条件替换需求。

2、上述loc的异常表现原因是什么？ #

你遇到的两个问题对应两个不同的语法错误：

• 第一个KeyError的原因：loc的第一个入参是行筛选条件，要求传入一维布尔序列或行索引值。你传入的test[cols_to_update]>10是一个2列的布尔型DataFrame，属于二维结构，pandas会错误尝试将这个二维结构解析为行索引值，自然匹配不到现有索引就抛出KeyError。
• 第二个整行替换的原因：你只给loc传入了行筛选条件test['col2']>10，没有指定要修改的列范围，pandas默认会对符合行条件的所有列执行赋值操作，所以不需要修改的col1也被替换为0。

3、实现该需求的高效方案是什么？ #

方案1：符合要求的loc写法 #

loc的标准语法是loc[行选择器, 列选择器]，明确指定要修改的列范围即可：

import pandas as pd
test = pd.DataFrame({'col1':[10,20,30,40], 'col2':[5,10,15,20], 'col3':[6,12,18,24]})
cols_to_update = ['col2', 'col3']

# 写法1：逐列指定条件修改，可读性最高
test.loc[test['col2']>10, 'col2'] = 0
test.loc[test['col3']>10, 'col3'] = 0

# 写法2：多列批量修改，适合列数多的场景，避免链式赋值风险
test.loc[:, cols_to_update] = test.loc[:, cols_to_update].where(test.loc[:, cols_to_update] <= 10, 0)

方案2：更简洁的批量写法（无loc要求时优先选择） #

如果不强制要求用loc，用mask方法代码更简洁，执行效率也更高：

cols_to_update = ['col2', 'col3']
test[cols_to_update] = test[cols_to_update].mask(test[cols_to_update] > 10, 0)

两种方案最终输出都符合预期：

col1  col2  col3
0    10     5     6
1    20    10     0
2    30     0     0
3    40     0     0

内容的提问来源于stack exchange，提问作者Muhammad Naveed