Python中能否通过列索引组合条件语句简化DataFrame多列判断？

当然有更高效省心的实现方式！当你需要对一整列范围的变量统一应用条件时，完全不用手动写一堆&来拼接每个列的判断，我们可以借助Pandas的向量化特性批量处理，完美适配大量列的场景：

核心思路 #

先精准选中需要判断的目标列范围（比如所有P开头的列，或者通过位置索引选取），然后用.gt(0)批量判断每个值是否大于0，最后用.all(axis=1)检查每一行的所有目标列是否都满足条件（axis=1表示按行维度判断）。

具体实现方法 #

针对你的数据集，这里提供两种优化后的简洁写法：

方法1：用np.where批量生成标记

import numpy as np
import pandas as pd

# 选中所有列名包含"P"的列（适配P1、P2...Pn的批量场景）
target_cols = df.filter(like='P')
# 也可以用位置索引精准选取：target_cols = df.iloc[:, 1:]  # 假设Name是第1列，后续都是目标列

df['Check'] = np.where(target_cols.gt(0).all(axis=1), 'Yes', 'No')

方法2：用loc批量赋值（更高效）

先初始化Check列为默认值No，再给满足条件的行批量赋值Yes，适合大型数据集：

df['Check'] = 'No'
target_cols = df.filter(like='P')
df.loc[target_cols.gt(0).all(axis=1), 'Check'] = 'Yes'

效果验证 #

用你提供的测试数据：

运行上述代码后，最终的Check列结果如下：

完全匹配你的需求，而且不管后续新增多少个P开头的列，都不用修改条件逻辑，只需要确保目标列选中正确即可！

内容的提问来源于stack exchange，提问作者Aditya