pandas基于参考列表为main_frame列赋值的无for循环实现咨询

原逻辑核心是按参考组顺序匹配关键词、命中后赋值对应标签，可通过向量化操作完全替代外层遍历参考组的for循环，以下是两种可完全复现原结果的实现方式：

方案1：使用numpy.select批量条件赋值 #

该方法处理逻辑和原逻辑最接近，仅需提前批量生成所有匹配条件，再一次性完成赋值，无需逐组调用df.loc修改数据：

import pandas as pd
import numpy as np

watchlist_ref = [['A1','AA2','A3'],
                ['B1','BC2','B3']]
upper_ref = ['A','B']
df = pd.DataFrame ({'tw':['A1','AA2','A3','B1','BC2','B3']})

# 批量生成按原参考组顺序的匹配条件
conditions = [
    df['tw'].str.contains('|'.join(ls_str), case=False)
    for ls_str in watchlist_ref
]

# 原循环中后执行的组会覆盖前序匹配结果，因此反转条件和标签顺序，让高优先级组先被判断
conditions = conditions[::-1]
values = upper_ref[::-1]
df['main_frame'] = np.select(conditions, values, default=np.nan)

注意：若所有参考组的关键词无重叠，不需要反转顺序，输出结果和原逻辑完全一致；若存在重叠匹配，反转后即可1:1复刻原循环的覆盖优先级。

方案2：合并命名正则批量提取标签 #

将所有参考组的关键词合并为带命名捕获组的单个正则，通过pandas内置的字符串提取功能一次性匹配，无需逐组遍历赋值：

# 预处理生成带命名组的合并正则（仅为字符串拼接操作，无逐行/逐组遍历赋值逻辑）
pattern_parts = [f"(?P<{label}>{'|'.join(words)})" for words, label in zip(watchlist_ref, upper_ref)]
# 若要匹配原循环后序覆盖的优先级，可将pattern_parts倒序后再拼接
full_pattern = '|'.join(pattern_parts[::-1])

# 批量提取匹配到的组名，直接赋值给main_frame列
df['main_frame'] = df['tw'].str.extract(full_pattern, case=False).bfill(axis=1).iloc[:, 0]

效果验证 #

对应用户给出的测试用例，两种方案输出结果均与原逻辑完全一致：

tw main_frame
0   A1          A
1  AA2          A
2   A3          A
3   B1          B
4  BC2          B
5   B3          B

两种方案均为pandas层面的向量化操作，执行效率远高于原for循环实现，在数据量较大时优势更明显。

内容的提问来源于stack exchange，提问作者rpb