使用Pandas DataFrame时替换多重if判断语句的可行方案咨询

方案1：字典映射+map向量化运算（优先推荐） #

针对你这种等值匹配的场景，这是性能最高、代码最简洁的方案，新增条件只需要修改映射字典即可：

# 定义A列取值和对应增量的映射关系
add_map = {1: 100, 2: 200, 3: 300, 5: 400, 9: 500}
# 批量映射后统一计算
df['A10'] = df['A'] + df['B'] + df['A'].map(add_map)

方案2：np.select 多条件匹配 #

适合存在非等值、多列组合等复杂条件的场景，条件和对应取值分开维护，可读性高：

import numpy as np

# 按顺序定义匹配条件列表
conditions = [
    df['A'] == 1,
    df['A'] == 2,
    df['A'] == 3,
    df['A'] == 5,
    df['A'] == 9
]
# 与条件顺序一一对应的增量列表
add_vals = [100, 200, 300, 400, 500]
# 匹配计算，default参数为未匹配到条件时的默认增量，可按需修改
df['A10'] = df['A'] + df['B'] + np.select(conditions, add_vals, default=0)

方案3：apply + 自定义函数 #

适合计算逻辑极其复杂，需要嵌套多步判断的场景，仅推荐小数据量下使用：

add_map = {1: 100, 2: 200, 3: 300, 5: 400, 9: 500}

def calc_a10(row):
    # 可在此处添加任意自定义判断逻辑
    add_val = add_map.get(row['A'], 0)
    return row['A'] + row['B'] + add_val

df['A10'] = df.apply(calc_a10, axis=1)

选型建议 #

• 仅需要等值匹配时优先选方案1，运行效率远高于其他方案，维护成本最低
• 存在范围判断、多列组合判断时选方案2
• 逻辑复杂度高、数据量小于10万行时可以选方案3

内容的提问来源于stack exchange，提问作者g123456k