利用DataFrame分类变量值创建新表及Series报错解决

你原有列表推导式报错的核心原因是：s['O_Status'] == 'Closed'返回的是和原DataFrame长度一致的布尔Series，并非单个布尔值，列表推导式的if判断无法识别多元素Series的真假，因此触发truth value of a Series is ambiguous报错。

1. 提取Closed状态对应的Cost值 #

优先使用pandas原生布尔索引实现，效率远高于纯列表推导式：
FClose = s.loc[s['O_Status'] == 'Closed', 'Cost'].tolist()
如果必须用列表推导式逻辑，需要先将对应行的Cost和O_Status值配对遍历：
FClose = [cost for cost, status in zip(s['Cost'], s['O_Status']) if status == 'Closed']

2. 生成按O_Status分类存储Cost的新DataFrame #

你要的双列格式可以通过以下两种方案实现：

方案一：手动拼接分类数据（适合分类固定的场景） #

• 分别提取两类状态的Cost值，重置索引避免行号错位

closed_costs = s.loc[s['O_Status'] == 'Closed', 'Cost'].reset_index(drop=True)
operating_costs = s.loc[s['O_Status'] == 'Operating', 'Cost'].reset_index(drop=True)

• 直接构造新DataFrame

new_df = pd.DataFrame({
    'Closed': closed_costs,
    'Operating': operating_costs
})

方案二：通用透视实现（适合分类可能扩展的场景） #

如果后续O_Status会新增其他取值（如Cancelled、Pending等），用这个方法无需手动修改代码即可自动生成对应列：

# 给每个相同O_Status的行加自增序号，作为对齐行的依据
s['row_idx'] = s.groupby('O_Status').cumcount()
# 透视生成目标格式的表
new_df = s.pivot(index='row_idx', columns='O_Status', values='Cost')
# 清理多余的索引元信息
new_df.columns.name = None
new_df = new_df.reset_index(drop=True)

注意：若两类状态的样本数不一致，数量较少的类别对应的剩余行将自动填充NaN，属于正常逻辑。

内容的提问来源于stack exchange，提问作者xojiv