如何遍历DataFrame并根据每行所属国家修改对应影片的budget数值

Pandas 优先使用向量化操作实现需求，效率远高于逐行遍历，以下是具体步骤：

步骤1：准备国家-汇率映射字典 #

先定义你需要的汇率规则，比如要统一将所有预算转换为美元的话，映射规则为「1单位该国货币可兑换的美元数额」，示例如下：

# 可根据你的转换需求调整汇率值、以及补全所有出现过的国家对应的汇率
country_to_usd_rate = {
    "USA": 1,
    "UK": 1.27,
    "China": 0.14,
    "France": 1.09,
    "Japan": 0.0069
}

步骤2：计算调整后的预算 #

方案A：向量化映射（最高效，推荐） #

直接通过map方法匹配对应国家的汇率后计算，1行代码即可完成：

# 生成新字段存储统一单位后的预算，也可直接覆盖原budget字段
df["adjusted_budget"] = df["budget"] * df["country"].map(country_to_usd_rate)

# 若要处理映射中不存在的国家，可补充fillna设置默认汇率
df["adjusted_budget"] = df["budget"] * df["country"].map(country_to_usd_rate).fillna(1)

方案B：apply 逐行处理（适合复杂逻辑） #

如果调整规则不只是简单乘汇率（比如部分国家有特殊换算规则），可以用apply实现逐行判断：

def calc_adjusted_budget(row):
    # 可在这里扩展任意自定义逻辑
    rate = country_to_usd_rate.get(row["country"], 1)
    return row["budget"] * rate

df["adjusted_budget"] = df.apply(calc_adjusted_budget, axis=1)

方案C：iterrows 遍历（仅适合极小数据集，不推荐） #

如果必须手动遍历行，可以用iterrows实现，但大数据量下性能极差，优先选前两种方案：

for idx, row in df.iterrows():
    rate = country_to_usd_rate.get(row["country"], 1)
    df.loc[idx, "adjusted_budget"] = row["budget"] * rate

注意事项 #

• 提前用df["country"].unique()查看数据集里所有出现的国家，补全映射字典里的汇率，避免出现空值
• 如果需要转换为其他基准货币（比如人民币），只需修改映射字典里的汇率为对应国家货币兑人民币的数值即可

内容的提问来源于stack exchange，提问作者user16997033