如何在Pandas中提取另一列指定列名对应的值？

先明确下我们的场景：
我们有这样一个DataFrame：

import pandas as pd

df = pd.DataFrame({
    'person': ['Alice', 'Bob'],
    'apple': [11, 14],
    'orange': [23, 20],
    'type': ['apple', 'orange']
})

原始数据输出：

person  apple  orange    type
0  Alice     11      23   apple
1    Bob     14      20  orange

我们需要根据每行的type列值，提取对应列（比如Alice的type是apple，就取apple列的11；Bob的type是orange，就取orange列的20），生成new_col，最终得到：

person  new_col
0  Alice       11
1    Bob       20

你提到用iterrows效率低，这点完全没错——逐行遍历是Pandas里性能最差的操作之一，尤其是数据量上去之后，速度会慢到难以接受。下面给你几个高效的向量化实现方法：

方法1：用df.lookup()（简洁但注意版本兼容） #

Pandas专门提供了lookup方法来处理这种“按行和列匹配取值”的场景，代码非常简洁：

df['new_col'] = df.lookup(df.index, df['type'])

不过要注意：Pandas 1.2.0版本之后，lookup被标记为弃用（虽然目前大部分版本还能正常运行），如果你的Pandas版本比较新，更推荐下面的方法。

方法2：Numpy向量化索引（性能最优，兼容所有新版本） #

利用Numpy的索引能力直接定位目标值，这是处理这类问题速度最快的方式，完全没有循环：

import numpy as np

# 先获取每个type值对应的列索引位置
col_positions = df.columns.get_indexer(df['type'])
# 按行索引和列索引提取对应的值
df['new_col'] = df.values[np.arange(len(df)), col_positions]

这个方法是纯向量化操作，处理大数据集时，速度会比iterrows快几十甚至上百倍。

方法3：melt+合并（适合复杂多列场景） #

如果你的DataFrame有很多类似apple、orange的列，或者需要后续对这些列做更多处理，可以先把宽表转成窄表，再合并回去：

# 将apple和orange列转成行，保留person作为标识列
melted_df = df.melt(
    id_vars='person',
    value_vars=['apple', 'orange'],
    var_name='type',
    value_name='new_col'
)
# 合并回原表的person和type列，得到结果
result_df = df[['person', 'type']].merge(melted_df, on=['person', 'type'])

这个方法可读性很强，适合列数较多的场景，性能也远优于iterrows。

总结一下：如果追求极致性能，优先选方法2；如果喜欢简洁代码且用的是旧版Pandas，用方法1；复杂多列场景选方法3。

内容的提问来源于stack exchange，提问作者irene