Pandas：基于复杂条件选择并修改DataFrame的问题

嘿，我来帮你搞定这个问题～

为什么只有第一个替换操作生效？ #

这是个典型的数据类型冲突问题：
当你执行df[df<1]='N'时，那些满足条件的单元格会被替换成字符串类型'N'，而DataFrame里剩下的单元格还是原来的float类型。

后续的条件比如(df>1)&(df<10)需要对数值进行比较，但此时DataFrame里已经混合了字符串和浮点数——在Python中，字符串和数值直接比较会返回False（甚至报错），导致后续的赋值操作找不到任何符合条件的单元格，自然就“不生效”了。

解决方案：保持类型一致或批量处理条件 #

这里给你几种靠谱的解决方法，按推荐程度排序：

1. 用pd.cut（最简洁的区间映射）

pd.cut是Pandas专门用来处理区间分组的工具，完美匹配你的需求：

import pandas as pd

# 先构造你的示例DataFrame
data = {'A': [0, 0.5, 1.3], 'B': [1.5, 100.2, 34], 'C': [13, 7.3, 0.01]}
df = pd.DataFrame(data, index=['A', 'B', 'C'])

# 定义区间边界和对应的标签
bins = [-float('inf'), 1, 10, 50, float('inf')]
labels = ['N', 'L', 'M', 'H']

# 应用区间映射，include_lowest=True确保左边界值（比如0）被正确归类
df = df.apply(lambda col: pd.cut(col, bins=bins, labels=labels, include_lowest=True))

执行后你的DataFrame就会完全变成字符串类型的标签，符合预期。

2. 用numpy.select（灵活处理多条件）

如果需要更灵活的条件定义，numpy.select可以一次性处理所有条件，避免分步赋值的类型问题：

import pandas as pd
import numpy as np

data = {'A': [0, 0.5, 1.3], 'B': [1.5, 100.2, 34], 'C': [13, 7.3, 0.01]}
df = pd.DataFrame(data, index=['A', 'B', 'C'])

# 定义条件列表和对应的结果列表
conditions = [
    df < 1,
    (df >= 1) & (df < 10),
    (df >= 10) & (df < 50),
    df >= 50
]
choices = ['N', 'L', 'M', 'H']

# 批量替换，返回数组后转成DataFrame
df = pd.DataFrame(np.select(conditions, choices), index=df.index, columns=df.columns)

3. 用mask链式调用（按顺序处理）

如果你坚持要用mask方法，需要从最大的区间开始替换，避免先替换小值导致的类型混乱：

import pandas as pd

data = {'A': [0, 0.5, 1.3], 'B': [1.5, 100.2, 34], 'C': [13, 7.3, 0.01]}
df = pd.DataFrame(data, index=['A', 'B', 'C'])

# 从大到小替换，确保每次替换时待处理的单元格都是float类型
df_new = df.copy()
df_new = df_new.mask(df_new >= 50, 'H')
df_new = df_new.mask((df_new >= 10) & (df_new < 50), 'M')
df_new = df_new.mask((df_new >= 1) & (df_new < 10), 'L')
df_new = df_new.mask(df_new < 1, 'N')

这个方法的核心是：先替换大数值（变成字符串），剩下的小数值还是float，后续的条件比较能正常执行。

内容的提问来源于stack exchange，提问作者Sos