Pandas基于key列最小值选取对应value列值且不新增辅助列的实现方法

我有如下结构的Pandas DataFrame，列以x_1、x_2的配对形式存在：

import pandas as pd
df = pd.DataFrame(
    {
        'A_1': [20, 30, 500],
        'A_2': [40, 60, 1000],
        'B_1': [35, 12, 600],
        'B_2': [70, 24, 1200],
    }
)
print(df)

输出：

A_1   A_2  B_1   B_2
0   20    40   35    70
1   30    60   12    24
2  500  1000  600  1200

列的配对关系存储在如下字典中：

comp_cols = {
    'A_1': 'A_2',
    'B_1': 'B_2',
}

我的需求是：对每一行，先在字典key对应的列[A_1, B_1]中定位最小值对应的列，再提取该key列配对的value列的对应行值。我目前的实现需要新增额外的辅助列：

df['min_1_col'] = df[comp_cols.keys()].idxmin(axis=1)
df['min_2_val'] = df.apply(lambda x: x[comp_cols[x['min_1_col']]], axis=1)
print(df)

输出：

A_1   A_2  B_1   B_2 min_1_col  min_2_val
0   20    40   35    70       A_1         40
1   30    60   12    24       B_1         24
2  500  1000  600  1200       A_1       1000

有没有更优雅的实现方式，可以不新增辅助列就完成上述需求？

这里提供两种无辅助列的实现方式：

方案1：高性能向量化实现（推荐，兼容全版本Pandas） #

基于Numpy的索引操作实现，性能远高于apply方案，适合各类数据量场景：

import numpy as np

# 提取配对的key列和对应value列
key_cols = list(comp_cols.keys())
val_cols = [comp_cols[k] for k in key_cols]

# 一步计算得到目标列，无任何中间辅助列
df['min_2_val'] = df[val_cols].to_numpy()[np.arange(len(df)), df[key_cols].to_numpy().argmin(axis=1)]

方案2：简洁易读实现 #

适合中小数据量，代码逻辑更直观：

df['min_2_val'] = df.lookup(df.index, df[comp_cols.keys()].idxmin(axis=1).map(comp_cols))

注：lookup方法在Pandas 1.2.0及以上版本被标记为弃用，生产环境优先使用第一种numpy向量化方案，兼容性和性能更优。

两种方案输出结果与你原有实现完全一致，且不需要新增任何中间辅助列。

内容的提问来源于stack exchange，提问作者CarloP