pandas中如何基于其他列的条件新增对应分类数值列？

你最初尝试的写法df['value'](add some condition here).fillna(0)存在原生语法逻辑问题——pandas的Series对象不支持直接通过括号传入条件做筛选取数，因此无法直接套用链式写法完成需求，以下是三种可落地的实现方案： #

方案1：基于loc的条件赋值（和你的初始思路最匹配） #

通过df.loc按类别条件筛选行，满足条件的位置取对应value值，不满足的位置默认返回NaN，最后填充0即可，核心和你最初的代码逻辑一致，仅调整了筛选顺序：

df['Value A'] = df.loc[df['category'] == 'A', 'value'].fillna(0)
df['Value B'] = df.loc[df['category'] == 'B', 'value'].fillna(0)
df['Value C'] = df.loc[df['category'] == 'C', 'value'].fillna(0)

• 优点：逻辑直白，不需要额外导入第三方库，上手成本低
• 注意：loc筛选后未命中的行不会返回默认值，必须搭配fillna(0)把缺失值替换为目标的0值

方案2：哑变量批量生成（适合多类别场景） #

当category类别较多、逐列写赋值代码繁琐时，可以直接对category列做独热编码，再和原value列逐元素相乘，批量生成对应类别的值列：

# 生成类别独热编码表
dummy_df = pd.get_dummies(df['category'])
# 调整列名为目标格式：Value + 类别名
dummy_df.columns = dummy_df.columns.map(lambda x: f'Value {x}')
# 独热编码结果和原value逐元素相乘，拼接回原表
df = pd.concat([df, dummy_df.mul(df['value'], axis=0)], axis=1)

• 优点：不需要逐列写判断条件，后续新增类别时可以自动生成对应列，维护成本低
• 注意：如果只需要保留A、B、C三个类别的列，可以在拼接前手动筛选dummy_df的列即可

方案3：numpy向量化判断（适合大数据量场景） #

如果处理的数据集行数较多，可以用numpy.where做向量化判断，相比loc赋值性能更高，语法更简洁：

import numpy as np
df['Value A'] = np.where(df['category'] == 'A', df['value'], 0)
df['Value B'] = np.where(df['category'] == 'B', df['value'], 0)
df['Value C'] = np.where(df['category'] == 'C', df['value'], 0)

• 优点：向量化计算无Python层循环，千万级行的数据处理速度比loc赋值快30%以上
• 注意：判断逻辑是逐元素对比类别值，命中就返回对应value，否则返回0

内容的提问来源于stack exchange，提问作者gggert