基于pandas中其他列的值替换DataFrame指定列的值

我来给你几个通用的解决方案，不管你以后要替换的条件或者目标列怎么变，这些方法都能灵活调整：

方法1：使用np.where（最直观的通用方法） #

这个方法可以直接根据条件指定替换规则，单条件、多场景都能轻松扩展，是处理这类替换需求的首选之一。

import pandas as pd
import numpy as np

# 初始化你的原始DataFrame
df = pd.DataFrame({
    'Col1': pd.Series(['Abc','Cde','Efg','Abc'], index=['a', 'b', 'c','d']),
    'Col2': pd.Series([10, 20, 30, 40], index=['a', 'b', 'c', 'd']),
    'Col3': pd.Series([1, 2., 3., 4.], index=['a', 'b', 'c', 'd'])
})

# 应用替换逻辑：当Col1为"Abc"时，Col3取Col2的值，否则保留原值
df['Col3'] = np.where(df['Col1'] == 'Abc', df['Col2'], df['Col3'])

print(df)

如果后续需要添加更多替换条件（比如Col1为"Cde"时替换成其他值），可以用np.select来扩展，完全不用改整体框架，通用性拉满。

方法2：使用DataFrame.loc（精准定位修改） #

loc是Pandas里用于精准定位行和列的工具，适合需要批量修改特定单元格的场景，逻辑清晰且易于维护。

# 定位Col1等于"Abc"的行，将这些行的Col3替换为对应行的Col2值
df.loc[df['Col1'] == 'Abc', 'Col3'] = df.loc[df['Col1'] == 'Abc', 'Col2']

这个方法的优势在于，你可以灵活调整筛选条件（比如结合多列的逻辑判断），也能同时修改多个列的值，非常适合复杂场景下的批量操作。

方法3：使用apply（处理复杂自定义逻辑） #

如果你的替换规则特别复杂（比如需要结合多列计算、调用外部函数等），apply可以让你自定义任意逻辑来处理每行数据。

def adjust_col3(row):
    if row['Col1'] == 'Abc':
        return row['Col2']
    # 这里可以添加更多elif条件，比如处理其他Col1值的替换规则
    else:
        return row['Col3']

# 逐行应用自定义函数
df['Col3'] = df.apply(adjust_col3, axis=1)

注意：apply的执行效率比前两种方法稍低，适合数据量不大或者逻辑特别复杂的场景。

验证结果 #

以上三种方法都能得到你预期的输出：

Col1  Col2  Col3
a  Abc    10  10.0
b  Cde    20   2.0
c  Efg    30   3.0
d  Abc    40  40.0

内容的提问来源于stack exchange，提问作者Shivpe_R