使用np.where实现多条件列赋值且不覆盖数据，解决嵌套括号过多问题

针对190+层条件判断的场景，以下两种方案可完全替代嵌套np.where，同时避免层数限制和数据覆盖问题：

方案1：使用np.select直接替换多层嵌套（最适配现有逻辑） #

np.select不需要嵌套结构，仅需把所有判断条件、对应返回值分别整理为两个同顺序的列表即可，会按传入的条件顺序优先匹配第一个满足的规则，不会出现数据覆盖问题。
代码示例：

import pandas as pd
import numpy as np

# 第一步：按原逻辑的优先级顺序整理所有判断条件到列表
conditions = [
    (d['X'] < xo) & (d['Y'] < yo),
    (d['X'] < xo)  & (d['Y'] > yo) & (d['Y'] < yo*2),
    (d['X'] < xo) & (d['Y'] > yo*2) & (d['Y'] < yo*3),
    # 剩余所有条件按优先级顺序补充即可，无需嵌套
]

# 第二步：按条件的对应顺序，整理返回值到列表
choices = [
    dfc1.loc[0].values[0],
    dfc1.loc[1].values[0],
    dfc1.loc[2].values[0],
    # 对应条件顺序补充所有返回值
]

# 第三步：直接生成新列，default参数填写所有条件都不满足时的默认值
d['Start'] = np.select(conditions, choices, default=np.nan)

如果不想手写190+条条件和返回值，可以根据X、Y的区间划分规则循环生成两个列表，实现效率更高。

方案2：分箱+查找表（性能最优，适合固定区间映射逻辑） #

你的判断逻辑本质是把X、Y按固定步长（xo、yo）分箱后映射对应值，完全可以先生成分箱编号，再用预构建的查找表直接取值，不需要写任何判断条件：

# 第一步：把所有dfc整合成二维查找矩阵，行对应Y的分箱序号，列对应X的分箱序号
lookup_mat = pd.concat([dfc1, dfc2, dfc3, dfc4, dfc5], axis=1).values

# 第二步：给X、Y生成分箱序号，right=False表示区间左闭右开，和原判断逻辑一致
x_bins = [i * xo for i in range(0, 6)] # 按X的最大区间数调整边界
y_bins = [i * yo for i in range(0, 13)] # 按Y的最大区间数调整边界
d['x_bin'] = pd.cut(d['X'], bins=x_bins, labels=False, right=False)
d['y_bin'] = pd.cut(d['Y'], bins=y_bins, labels=False, right=False)

# 第三步：直接索引取值生成新列
d['Start'] = lookup_mat[d['y_bin'], d['x_bin']]

拆分np.where语句的修正方案 #

如果坚持拆分为多条语句执行，原来的覆盖问题是因为每次赋值都针对全表，只需增加未赋值判断即可避免覆盖：

# 先初始化新列为空值
d['Start'] = np.nan
# 每次赋值仅针对满足条件且还未赋值的行
d.loc[(d['X'] < xo) & (d['Y'] < yo) & d['Start'].isna(), 'Start'] = dfc1.loc[0].values
d.loc[(d['X'] < xo) & (d['Y'] > yo) & (d['Y'] < yo*2) & d['Start'].isna(), 'Start'] = dfc1.loc[1].values
# 后续规则按同样逻辑补充即可

内容的提问来源于stack exchange，提问作者JayRSP