基于其他列条件为Pandas DataFrame创建新列的方法

没问题，我来给你演示几种基于现有列条件创建新列的常用方法，结合你给出的DataFrame来举例，这样更直观。

首先先回顾下你的原始数据（先把导入和数据定义写清楚）：

import pandas as pd
import numpy as np

df = pd.DataFrame({
    "A": ["2002-01-12","2002-01-12","2002-01-12","2002-01-13","2002-01-13","2002-01-13","2002-01-16","2002-01-16","2002-01-16"], 
    "B": ["12:00:00", "13:00:00", "14:00:00","11:00:00", "12:00:00", "13:00:00", "10:00:00", "11:00:00", "12:00:00"], 
    "C": [3,19,15,6,1,5,3,12,8]
})

1. 用np.where处理简单二元条件 #

适合只有「是/否」两种结果的场景，比如我们想创建一个is_early列，标记时间B早于12:00:00的行：

df['is_early'] = np.where(df['B'] < '12:00:00', True, False)

逻辑很直白：np.where(判断条件, 满足条件时的值, 不满足时的值)。这里直接比较时间字符串就行，因为你的时间是HH:MM:SS格式，字符串比较是有效的。

生成的结果片段：

2. 用df.loc做灵活的条件赋值 #

如果需要给不同条件的行设置不同值，或者只修改特定行，loc是个好工具。比如我们想创建day_type列，给特定日期标记星期：

# 先初始化列的默认值
df['day_type'] = '其他'
# 给符合条件的行赋值
df.loc[df['A'] == '2002-01-12', 'day_type'] = '周一'
df.loc[df['A'] == '2002-01-13', 'day_type'] = '周二'

语法是df.loc[行筛选条件, 目标列名] = 赋值内容，分步处理多条件非常清晰。

3. 用np.select处理多条件多结果 #

如果有多个条件对应不同的结果，嵌套np.where会很臃肿，用np.select更清爽。比如根据C列的值创建level等级列：

# 定义条件列表和对应的结果列表
conditions = [
    df['C'] > 10,          # 条件1：C大于10
    (df['C'] >=5) & (df['C'] <=10), # 条件2：C在5-10之间
    df['C'] <5             # 条件3：C小于5
]
results = ['高', '中', '低'] # 对应每个条件的结果

df['level'] = np.select(conditions, results, default='未知')

它会按顺序检查条件，第一个满足的条件对应的结果会被选中，default是所有条件都不满足时的兜底值。注意多条件要用&（且）/|（或）连接，每个条件要加括号避免优先级问题。

生成的level列结果：低、高、高、中、低、中、低、高、中

4. 用apply处理复杂自定义逻辑 #

如果你的条件逻辑特别复杂，没法用向量方法简洁表达，可以用apply结合自定义函数。比如结合日期和时间创建time_slot列：

def get_time_slot(row):
    if row['A'] == '2002-01-12' and row['B'] == '12:00:00':
        return '时段1'
    elif row['A'] == '2002-01-13' and row['B'] == '11:00:00':
        return '时段2'
    else:
        return '其他时段'

# axis=1表示按行处理，把每一行数据传入函数
df['time_slot'] = df.apply(get_time_slot, axis=1)

不过要注意：apply的效率比前面的向量方法低，如果你的DataFrame数据量很大，优先用前三种方法。

内容的提问来源于stack exchange，提问作者Tie_24