如何将Pandas DataFrame中大于5.75的数值替换为100？

嘿，我完全懂你的困扰——replace()函数确实只能处理精确匹配的场景，没法直接应对“大于某个值”这类范围条件。不过Pandas里有好几个实用的方法可以轻松搞定这个需求，我给你分享几个常用方案：

方法1：使用df.loc（最直观） #

loc可以结合布尔索引精准定位需要修改的区域，非常适合这种批量替换的场景：

# 先指定需要修改的列（排除第一列）
target_cols = df.columns[1:]
# 定位所有大于5.75的位置并替换为100
df.loc[df[target_cols] > 5.75, target_cols] = 100

这里df[target_cols] > 5.75会生成一个和原DataFrame结构一致的布尔矩阵，标记出所有需要替换的单元格，loc会精准定位这些位置并完成赋值。

方法2：使用np.where（灵活的条件判断） #

如果你需要更灵活的多条件处理，numpy.where会是个好选择，它支持“条件满足时替换为A，否则保留原数”的逻辑：

方式A：循环处理列（可读性高） #

import numpy as np

for col in df.columns[1:]:
    df[col] = np.where(df[col] > 5.75, 100, df[col])

方式B：向量化操作（效率更高） #

不用循环，直接对目标列批量处理：

df[df.columns[1:]] = np.where(df[df.columns[1:]] > 5.75, 100, df[df.columns[1:]])

方法3：使用df.mask（简洁的替换逻辑） #

mask方法的逻辑刚好契合你的需求：当传入的条件为True时，将对应位置的值替换为指定内容，否则保留原值：

df[df.columns[1:]] = df[df.columns[1:]].mask(df[df.columns[1:]] > 5.75, 100)

这些方法都是Pandas的向量化操作，处理50多列的DataFrame完全没问题，效率比循环遍历单元格高得多。

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