如何以最Pythonic的方式为Pandas DataFrame按列条件添加权重列？

先回顾下我们的场景：
我们有这样一个基础的DataFrame：

import pandas as pd
df = pd.DataFrame({'A' : [1, 2, 3], 'B' : [4, 5, 6]})

它的输出是：

A  B
0  1  4
1  2  5
2  3  6

现在需要新增一列weight，规则很明确：当B列的值≥6时，weight设为20，否则设为1，预期得到的结果是：

A  B  weight
0  1  4       1
1  2  5       1
2  3  6      20

下面几种都是很Pythonic的实现方式，优先推荐前两种：

1. 使用numpy.where（最直观高效） #

一行代码就能搞定，逻辑清晰到一眼就能看懂，绝对是首选：

import numpy as np
df['weight'] = np.where(df['B'] >= 6, 20, 1)

它的逻辑就是：np.where(判断条件, 条件满足时的赋值, 条件不满足时的赋值)，完美契合我们的需求，而且处理大数据集时效率也很高。

2. 纯Pandas实现（无需额外导入库） #

如果不想引入numpy，用Pandas自身的方法也能写出简洁的代码：

# 方式A：用replace映射布尔值
df['weight'] = df['B'].ge(6).replace({True: 20, False: 1})

# 方式B：用map映射布尔值
df['weight'] = df['B'].ge(6).map({True: 20, False: 1})

这里ge(6)是Pandas里的方法，等价于>=6，会返回一个布尔类型的Series，接着用replace或map把True和False转换成我们需要的数值，同样很简洁。

3. 使用apply（不推荐，仅作参考） #

虽然这种写法也能实现需求，但对于大规模数据集来说，apply的效率远不如前面两种，所以一般不推荐：

df['weight'] = df['B'].apply(lambda x: 20 if x >= 6 else 1)

总的来说，优先选numpy.where或者纯Pandas的映射方法，既符合Python的简洁风格，又能保证运行效率。

内容的提问来源于stack exchange，提问作者Eran Moshe