如何高效处理DataFrame：当Alias等于ijk时保留指定列其余填充np.nan？

嘿，这个场景我太熟了！不用挨个列写np.where，用pandas的布尔索引+批量列赋值就能高效搞定，不管你有多少列都能一次性处理完。

核心思路很简单：先定位到Alias等于ijk的行，然后把这些行里除了指定保留列之外的所有列直接设为np.nan，全程都是向量化操作，比循环或者逐个处理列快得多。

给你一个完整的可运行示例：

import pandas as pd
import numpy as np

# 先构造一个测试用的DataFrame（你可以换成自己的数据集）
df = pd.DataFrame({
    'Name': ['Alice', 'Bob', 'Charlie', 'David'],
    'Alias': ['abc', 'ijk', 'def', 'ijk'],
    'Value1': [5, 10, 15, 20],
    'Value2': [50, 100, 150, 200],
    'Value3': [500, 1000, 1500, 2000],
    'ExtraCol1': ['foo', 'bar', 'baz', 'qux'],
    'ExtraCol2': [True, False, True, False]
})

# 1. 生成布尔掩码：标记哪些行需要处理
mask = df['Alias'] == 'ijk'
# 2. 定义需要保留的列
keep_cols = ['Name', 'Alias', 'Value1']
# 3. 自动找出需要设为NaN的列（不用手动列出来！）
nan_cols = [col for col in df.columns if col not in keep_cols]
# 4. 批量赋值：对符合条件的行，把目标列设为NaN
df.loc[mask, nan_cols] = np.nan

print(df)

运行后输出的结果会是这样：

Name Alias  Value1  Value2  Value3 ExtraCol1 ExtraCol2
0    Alice   abc       5    50.0   500.0       foo       True
1      Bob   ijk      10     NaN     NaN       NaN        NaN
2  Charlie   def      15   150.0  1500.0       baz       True
3    David   ijk      20     NaN     NaN       NaN        NaN

这个方法的好处：

• 高效：用pandas原生的向量化操作，比循环或逐个np.where快N倍，尤其是数据量大的时候
• 易维护：不管后续新增多少列，只要不是在keep_cols里的，都会自动被处理，不用改代码
• 简洁：几行代码就搞定，逻辑清晰

如果你不需要保留原数据，直接操作原DataFrame就行；要是怕误改原数据，可以先做个副本：df_processed = df.copy()，然后对df_processed执行上面的操作。

内容的提问来源于stack exchange，提问作者TylerNG