如何基于DataFrame某一列的数值规则修改另一列的对应字段值

实现方法 #

这里提供3种常用的实现方案，可根据你的数据规模和使用习惯选择：

方案1：np.select 实现（通用性最强，条件复杂时优先选）

import pandas as pd
import numpy as np

# 构造示例数据，实际使用时替换为你自己的DataFrame读入逻辑即可
df = pd.DataFrame({
    'val': [10,70,61,45,32,77,11],
    'type': ['new','new','new','old','new','mid','mid']
})

# 定义匹配条件和对应返回值
conditions = [
    (df['type'] == 'new') & (df['val'] <= 20),
    (df['type'] == 'new') & (df['val'] > 20) & (df['val'] < 50),
    (df['type'] == 'new') & (df['val'] >= 50)
]
choices = ['new-1', 'new-2', 'new-3']

# 条件匹配不到的默认保留原type值
df['type'] = np.select(conditions, choices, default=df['type'])

方案2：pd.cut 分箱实现（数值区间类场景写法更简洁）

# 仅筛选type为new的行做处理，其余行不改动
mask = df['type'] == 'new'
df.loc[mask, 'type'] = 'new-' + pd.cut(
    df.loc[mask, 'val'],
    bins=[-float('inf'), 20, 50, float('inf')],
    labels=['1', '2', '3']
).astype(str)

方案3：apply 实现（仅适合小数据量使用，逻辑最直观）

def type_mapper(row):
    if row['type'] != 'new':
        return row['type']
    if row['val'] <= 20:
        return 'new-1'
    elif 20 < row['val'] < 50:
        return 'new-2'
    return 'new-3'

df['type'] = df.apply(type_mapper, axis=1)

运行以上任意一种方案后得到的结果都和你的预期一致。

内容的提问来源于stack exchange，提问作者skulldoger