能否使用np.where一次性维护多列？现有尝试方案失效求可行方法

这个需求太常见了！重复写同个条件确实有点啰嗦，我来给你分享几种可行的实现方式：

方法1：调整np.where的返回值维度（最贴近你的原始思路） #

你之前的写法问题在于返回的列表是一维的，和DataFrame的列维度不匹配。只要把满足/不满足条件的结果改成二维数组，让np.where能正确广播到每一行的两列就行：

import numpy as np
import pandas as pd

# 构造示例数据
df = pd.DataFrame({
    'condition': ['yes', 'no', 'yes', 'no'],
    'col1': ['']*4,
    'col2': [0.0]*4
})

# 正确写法：将返回值转为(1,2)的二维数组，实现广播赋值
df[['col1', 'col2']] = np.where(
    df['condition'] == 'yes',
    np.array(['sth', 50.0]).reshape(1, 2),
    np.array(['', 0.0]).reshape(1, 2)
)

这里用reshape(1,2)把单个值对转成二维结构，这样np.where会自动把这个结构广播到DataFrame的所有行，一次性给两列赋值。

方法2：用df.loc批量赋值（更直观易读） #

如果觉得np.where的维度处理有点绕，用df.loc的切片赋值会更清晰，而且效率也很高：

# 先给符合条件的行设置两列值
df.loc[df['condition'] == 'yes', ['col1', 'col2']] = 'sth', 50.00
# 再给不符合条件的行设置默认值（如果初始值不是目标默认值的话）
df.loc[df['condition'] != 'yes', ['col1', 'col2']] = '', 0.0

这种写法逻辑一目了然，只需要写两次条件判断，比两次独立的np.where简洁很多。

方法3：用apply逐行处理（适合小数据集） #

如果你的数据集不大，也可以用apply函数封装逻辑，代码可读性也不错：

def update_row(row):
    if row['condition'] == 'yes':
        return pd.Series(['sth', 50.00])
    else:
        return pd.Series(['', 0.0])

df[['col1', 'col2']] = df.apply(update_row, axis=1)

不过要注意，apply是逐行处理的，大数据集下效率不如前两种方法，所以优先推荐前两种。

内容的提问来源于stack exchange，提问作者MaMo