如何在pandas中基于第三列条件在两列间选择值？禁用lambda函数

嘿，这个需求太常见了！不用lambda的话，咱们完全可以用pandas和numpy的原生矢量化操作来搞定，不仅效率比lambda+apply高得多，代码还更简洁易读。我给你分享几个实用的方案，先拿个示例数据集来演示：

import pandas as pd
import numpy as np

# 构造测试数据
df = pd.DataFrame({
    'Condition': [True, False, True, False],
    'Column1': [10, 20, 30, 40],
    'Column2': [100, 200, 300, 400]
})

1. 最贴近Excel逻辑：np.where() #

这个方法的语法和Excel的IF公式几乎一模一样，完全对应IF(条件, 真值返回值, 假值返回值)的结构：

df['NEW_COLUMN'] = np.where(df['Condition'], df['Column1'], df['Column2'])

执行后你的NEW_COLUMN就会根据Condition列的值，分别从Column1或Column2取数，完美复刻Excel的逻辑，而且是矢量化操作，大数据集下比lambda快N倍。

2. 可读性拉满：loc条件赋值 #

如果你喜欢分步操作，或者后续要扩展复杂条件，用loc索引来分步赋值会更清晰：

# 先给新列设置默认值（比如先取Column2的所有值）
df['NEW_COLUMN'] = df['Column2']
# 再把满足Condition的行替换成Column1的值
df.loc[df['Condition'], 'NEW_COLUMN'] = df['Column1']

这种方式逻辑一目了然，新手也能快速看懂，适合需要多条件分支或者中间要做其他处理的场景。

3. Pandas原生方法：where()/mask() #

Pandas自己也提供了类似的方法，where()和mask()是一对反向操作：

• where(条件, 替代值)：满足条件时保留原列值，不满足时用替代值
• mask(条件, 替代值)：不满足条件时保留原列值，满足时用替代值

用where实现需求的代码：

df['NEW_COLUMN'] = df['Column1'].where(df['Condition'], df['Column2'])

用mask的话需要取反条件，效果一样：

df['NEW_COLUMN'] = df['Column1'].mask(~df['Condition'], df['Column2'])

这两个方法也是矢量化的，代码简洁，属于Pandas的惯用写法。

内容的提问来源于stack exchange，提问作者Abhijith N