能否用df.where替代迭代实现DataFrame条件列值乘法运算？

Hey there! 看你现在用iterrows()循环的方式来根据street_typ的不同值给v_length列赋值，其实完全没必要这么做——pandas的核心优势就是向量化操作，不仅代码更简洁，运行效率还能提升一大截，尤其是数据量大的时候，差距特别明显。

先说说你现有代码的小问题 #

你现在的写法里，for index, row in street_cal.iterrows():这个循环其实是多余的——你在循环内部做的是全表范围的loc赋值，相当于每循环一次就把整个表的对应类型重新赋值一遍，完全浪费了循环的意义，直接去掉循环，保留下面的loc语句就可以正常运行，但这种写法在类型多的时候会很冗余。

更优雅高效的解决方案：用字典映射+向量化计算 #

我们可以先把street_typ和对应的系数做成一个字典，然后用map()方法快速匹配系数，再和cal_length相乘得到v_length：

# 第一步：定义类型与系数的映射字典，把你需要的类型和对应系数都加进来
coeff_mapping = {
    'motorway': 130,
    'motorway_link': 130,
    'trunk': 120,  # 这里替换成你实际的trunk系数
    'primary': 110,  # 示例：继续添加其他类型
    'secondary': 90
}

# 第二步：用map匹配系数，再乘以cal_length得到v_length
street_cal['v_length'] = street_cal['street_typ'].map(coeff_mapping) * street_cal['cal_length']

处理未匹配到的类型

如果有些street_typ不在你的映射字典里，默认会得到NaN，如果你想给这些未匹配的类型设置默认系数（比如乘以1），可以用fillna()：

street_cal['v_length'] = street_cal['street_typ'].map(coeff_mapping).fillna(1) * street_cal['cal_length']

为什么推荐这种写法？ #

• 效率更高：向量化操作是pandas底层优化过的，比逐行迭代快几十甚至上百倍，数据量越大越明显；
• 代码更简洁：不管有多少种street_typ，只需要维护一个字典就行，可读性和可维护性都更强；
• 更少出错：避免了循环里可能出现的索引错误或者重复赋值问题。

当然，如果你的类型很少，也可以保留loc的写法（但去掉多余的循环）：

# 去掉循环后的写法，适合类型较少的场景
street_cal.loc[street_cal['street_typ'] == 'motorway', 'v_length'] = street_cal['cal_length'] * 130
street_cal.loc[street_cal['street_typ'] == 'motorway_link', 'v_length'] = street_cal['cal_length'] * 130
street_cal.loc[street_cal['street_typ'] == 'trunk', 'v_length'] = street_cal['cal_length'] * 120
# ...其他类型的赋值

内容的提问来源于stack exchange，提问作者Gabba