如何用Python基于ID列条件填充DataFrame的Retailer列？

嘿，我来帮你搞定这个问题！你的思路没问题，但直接用if/else处理整个DataFrame列会踩两个坑：

1. 你的ID列是字符串类型（看你定义的data里ID都是带引号的），但你判断的时候用的是数字（比如112），类型不匹配导致永远匹配不上；
2. df['ID']是一个Series对象，不能像单个值那样直接用in做判断，Pandas会因为无法把整个Series的布尔结果转换成单个布尔值而报错。

下面给你两种常用的解决方案，效果和SQL的CASE语句完全一致：

方法一：字典映射 + map函数（简洁首选） #

这种方法最直观，就像做一个键值对的匹配表，维护起来特别方便：

import pandas as pd

data = {'ID':['112','5898','32','9985','23','577','17','200','156']}
df = pd.DataFrame(data)

# 先创建ID到Retailer的映射字典，把相同Retailer的ID放一起
retailer_map = {
    '112': 'Webmania',
    '32': 'Webmania',
    '5898': 'DataHub',
    '9985': 'TorrentJunkie',
    '23': 'Apptronix'
}

# 使用map匹配，找不到匹配值的用fillna填充为'Other'
df['Retailer'] = df['ID'].map(retailer_map).fillna('Other')

print(df)

方法二：numpy.select（更接近SQL CASE WHEN，灵活适配复杂条件） #

如果你的条件不止是简单的等于，还涉及范围、多列组合判断，这种方法会更合适：

import pandas as pd
import numpy as np

data = {'ID':['112','5898','32','9985','23','577','17','200','156']}
df = pd.DataFrame(data)

# 定义条件列表，每个元素是一个布尔Series
conditions = [
    df['ID'].isin(['112', '32']),  # 多个ID匹配同一个Retailer
    df['ID'] == '5898',
    df['ID'] == '9985',
    df['ID'] == '23'
]

# 定义和条件对应的结果列表，顺序要和conditions一一对应
choices = [
    'Webmania',
    'DataHub',
    'TorrentJunkie',
    'Apptronix'
]

# np.select会按顺序匹配条件，匹配到第一个满足的就返回对应的结果，都不满足就用default
df['Retailer'] = np.select(conditions, choices, default='Other')

print(df)

这两种方法运行后，都会得到你期望的输出：

ID       Retailer
0   112        Webmania
1  5898         DataHub
2    32        Webmania
3  9985  TorrentJunkie
4    23       Apptronix
5   577           Other
6    17           Other
7   200           Other
8   156           Other

内容的提问来源于stack exchange，提问作者Mg Mogaki