基于另一列更新pandas DataFrame列时遇TypeError问题求助

首先，咱们先拆解你遇到的两个核心问题：

1. 为什么会报TypeError: string indices must be integers？ #

你当前用的是dft['rbc_security_type1'].apply(...)——这是对单个Series（也就是rbc_security_type1列）的每个单元格值单独执行lambda函数。此时lambda的参数col_value是单个的单元格内容（比如第一个是字符串'0'，第二个是'CORP'），而不是整行数据。你试图用col_value['rbc_security_type1']去索引一个字符串/单个值，这显然不符合语法，所以会抛出这个错误。

另外你提到的类型问题确实存在：你构造DataFrame时用了np.array混合字符串和整数0，numpy会自动将整个数组转为字符串类型，所以你的rbc_security_type1列里的0其实是字符串'0'，不是整数0——这也是你原代码里条件判断逻辑不生效的隐藏原因。

2. 正确的实现方式 #

下面给你几种高效的解决方案，优先推荐不用apply的方法（因为apply在大数据量下效率较低）：

方法一：用布尔索引（最直观高效） #

直接定位到rbc_security_type1等于'0'的行，将这些行的该列值替换为对应行的market值：

# 先创建布尔掩码，筛选出需要替换的行
mask = dft['rbc_security_type1'] == '0'
# 替换对应位置的值
dft.loc[mask, 'rbc_security_type1'] = dft.loc[mask, 'market']

方法二：用np.where（简洁的向量化操作） #

利用numpy的向量化判断，一行代码完成替换：

import numpy as np
dft['rbc_security_type1'] = np.where(
    dft['rbc_security_type1'] == '0',  # 判断条件
    dft['market'],                     # 条件为True时的值
    dft['rbc_security_type1']          # 条件为False时的值
)

方法三：如果一定要用apply（按行处理） #

如果你坚持用apply，需要对整个DataFrame调用apply，并指定axis=1表示按行处理（此时lambda的参数是整行对象）：

dft['rbc_security_type1'] = dft.apply(
    lambda row: row['market'] if row['rbc_security_type1'] == '0' else row['rbc_security_type1'],
    axis=1
)

额外处理：类型统一优化 #

如果你想先统一列的类型，避免字符串和整数混合的问题，可以先把'0'转为NaN，再用fillna替换：

# 将'0'替换为NaN
dft['rbc_security_type1'] = dft['rbc_security_type1'].replace('0', np.nan)
# 用market列的值填充NaN
dft['rbc_security_type1'] = dft['rbc_security_type1'].fillna(dft['market'])

验证结果 #

执行上述任意一种方法后，你都会得到期望的输出：

market rbc_security_type1
0   MAXESSUS           MAXESSUS
1  BLOOMBERG                CORP
2 BROKER_TEC                GOVT
3   MAXESSUS           MAXESSUS

内容的提问来源于stack exchange，提问作者Peter Lucas