基于Pandas列内容添加反向链路信息列的高效实现方法

嘿，针对你这个给Pandas数据框添加反向链路信息的需求，我来分享一个更高效、更Pythonic的实现思路，比你现在的双重循环方法要简洁不少，而且性能更好～

首先先明确下需求：我们要为每条lXno对应的链路，找到反向链路（也就是当atNode等于当前行的lXno，且该行的某条lYno等于当前行的atNode时）的lYln值，把它放到新的lXop列里。

原始方法的小问题 #

你现在的双重循环+多次set_index的方法虽然能跑，但数据量大的时候会比较慢，而且频繁的索引操作也会带来不必要的内存开销。我们可以换个思路：先把所有的反向链路关系提前整理成一个映射表，之后直接查表赋值就行。

高效实现步骤 #

1. 构建反向链路映射字典

我们先遍历一遍数据，把所有存在的链路的反向关系存到字典里。键是(目标节点, 源节点)（也就是反向链路的两个节点），值是对应的ln值，如果有重复的反向关系，我们和你一样取最大值来保留：

import pandas as pd

# 假设你的数据框已经加载为df
reverse_link_map = {}

for _, row in df.iterrows():
    current_at_node = row['atNode']
    # 遍历6条链路
    for link_num in range(1, 7):
        lno_col = f'l{link_num}no'
        lln_col = f'l{link_num}ln'
        target_node = row[lno_col]
        ln_value = row[lln_col]
        
        # 跳过无链路的情况（lno为0）
        if target_node != 0:
            # 反向链路的键是 (target_node, current_at_node)
            map_key = (target_node, current_at_node)
            # 如果键已存在，取最大的ln值；否则直接存入
            if map_key in reverse_link_map:
                reverse_link_map[map_key] = max(reverse_link_map[map_key], ln_value)
            else:
                reverse_link_map[map_key] = ln_value

2. 批量生成反向链路列

有了映射字典之后，我们就可以给每个lXop列批量赋值了，一行代码搞定一个列：

for link_num in range(1, 7):
    lno_col = f'l{link_num}no'
    op_col = f'l{link_num}op'
    # 用当前行的(atNode, lXno)去查映射，找不到就填0
    df[op_col] = df.apply(
        lambda row: reverse_link_map.get((row['atNode'], row[lno_col]), 0),
        axis=1
    )

为啥这个方法更好？ #

• 效率更高：只需要遍历数据两次（一次构建映射，一次赋值），避免了双重循环里的多次索引操作，数据量大的时候速度提升会很明显。
• 逻辑更清晰：把链路关系的整理和列赋值分开，代码可读性更强，也更容易维护。
• 内存开销小：不需要频繁创建临时的索引数据框，节省内存。

拿你给出的示例数据测试的话，第一行的l1op会拿到2（对应行66的反向链路），l2op会拿到1（对应行13的反向链路），完全符合你的预期～

备注：内容来源于stack exchange，提问作者svn