DataFrame中如何不使用for循环根据其他列值修改指定列取值

• 方案1：pandas .loc 条件赋值（无需额外依赖）
  直接通过布尔索引筛选符合条件的行批量赋值，全程为pandas向量化操作，无Python层循环开销：

  # 筛选type为Option的行，将对应行PRICE列赋值为同行STRIKE的值
  df.loc[df['type'] == 'Option', 'PRICE'] = df.loc[df['type'] == 'Option', 'STRIKE']
  

  适用场景：仅需要修改符合条件的行，其余行原值保留。
• 方案2：numpy.where 批量赋值（代码更简洁）
  借助numpy的向量化条件判断函数实现，扩展性更强，适合多条件替换场景：

  import numpy as np
  # 判断逻辑：满足type==Option时取STRIKE值，否则保留原PRICE值
  df['PRICE'] = np.where(df['type'] == 'Option', df['STRIKE'], df['PRICE'])
  

注意事项 #

你原代码存在语法错误：if df.loc[i,'type'] == 'Option: 中的字符串'Option缺少右侧闭合单引号，运行会触发语法报错。
以上两种方案均为底层C实现的向量化运算，相比Python原生for循环，数据量越大性能提升越明显，普遍可达百倍到千倍级的效率提升。

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