如何合并Pandas中互为镜像的两列并生成目标新列？

嘿，你说的没错，pivot_table()确实不适合这个场景——我们不需要做聚合，而是要根据type的取值条件性地提取src或dest的值来生成新的id列。下面给你几个简单高效的实现方法，都是实战里常用的：

方法一：用numpy.where()（首推，性能拉满） #

这是处理条件赋值最直接的向量化方法，速度特别快，大数据量下优势明显：

import pandas as pd
import numpy as np

# 先构造你的原始数据
raw_data = {
    'src': [1, 1, 1, 1, 2, 3, 4, 5],
    'dest': [2, 3, 4, 5, 1, 1, 1, 1],
    'type': ['A', 'A', 'A', 'A', 'B', 'B', 'B', 'B'],
    'time': [76, 176, 276, 376, 211, 321, 422, 523]
}
df = pd.DataFrame(raw_data)

# 核心：根据type生成id列
df['id'] = np.where(df['type'] == 'A', df['dest'], df['src'])

# 调整列顺序匹配目标格式（可选）
result_df = df[['id', 'type', 'time']]
print(result_df)

运行后输出的结果完全符合你的目标格式，而且这个方法比行级循环快N倍，强烈推荐。

方法二：用DataFrame.apply()（逻辑直观，适合小数据） #

如果你更习惯行级处理的写法，也可以用apply()，不过性能不如向量化方法，适合数据量不大的场景：

df['id'] = df.apply(lambda row: row['dest'] if row['type'] == 'A' else row['src'], axis=1)

方法三：布尔索引分步赋值（逻辑清晰，易理解） #

分两步给id列赋值，新手也能一眼看懂逻辑：

# 先默认把id设为src的值
df['id'] = df['src']
# 对type为A的行，把id替换成dest的值
df.loc[df['type'] == 'A', 'id'] = df['dest']

这三种方法都能完美实现你的需求，优先选第一种numpy.where()就对了。生成id列之后，如果后续要对同一个id的A/B记录做配对或者统计，直接用groupby('id')就能轻松处理啦。

内容的提问来源于stack exchange，提问作者mbadd