np.select 更适合多条件赋值因其条件与结果解耦、逻辑清晰、避免嵌套右深括号；需确保条件与选择列表等长、全为同长度布尔数组，用 & | ~ 替代 and or not，default 必须显式指定。
np.select 为什么比链式 np.where 更适合多条件赋值
因为 np.select 把条件和结果解耦成两个平行数组，逻辑清晰、可读性强，且避免了嵌套 np.where 的“右深括号地狱”。用错时最常见的是条件列表和选择列表长度不一致，直接报 ValueError: list of conditions must be same length as list of choices。
适用场景：当你要根据 3 个以上互斥或有优先级的条件，给 DataFrame 某列批量赋值（比如按分数分等级、按金额分档、按状态组合打标签）。
- 条件必须是布尔数组，和 DataFrame 行数一致；用
df["col"] > 80这种写法，别漏掉df - 条件顺序很重要——
np.select从左到右匹配第一个为True的条件，后续即使也满足也不执行 -
default参数必须显式提供，否则未匹配行会变成np.nan（不是字符串"nan"）
怎么写 condition 列表和 choice 列表才不出错
最容易踩的坑是把标量当数组用，或者条件之间没对齐。比如想给每行判断“是否高分且活跃”，却写成 [df["score"] > 90 and df["active"] == 1] ——这会报 ValueError: The truth value of a Series is ambiguous，因为 and 不支持 Series。
正确做法是全部用向量化运算符：&（且）、|（或）、~（非），且每个子条件用括号包住。
- 条件列表示例：
[(df["score"] >= 90) & (df["active"] == 1), (df["score"] >= 70) & (df["active"] == 0)] - choice 列表必须一一对应，类型尽量统一（比如全 str 或全 int），避免隐式转换出 bug
- 如果 choice 是计算表达式（如
df["score"] * 1.2），确保它返回和 DataFrame 行数一致的结果
给 DataFrame 新增一列 vs 覆盖原列：赋值时的细节差异
直接写 df["level"] = np.select(...) 没问题；但如果你打算用 df.loc[:, "level"] = ...，要注意右侧结果必须和左侧索引完全对齐，否则可能触发 SettingWithCopyWarning 或静默填充 NaN。
性能上，np.select 是纯 NumPy 实现，比用 apply + 自定义函数快 5–10 倍（尤其在 10w+ 行时）；但如果你的条件涉及跨行逻辑（比如“比上一行高”），它就无能为力了——那得换 shift 或循环。
- 别在 condition 中混用
isin和标量比较，比如df["type"].isin(["A", "B"]) & df["score"] > 80是 OK 的，但df["type"] == ["A", "B"]就会报错 - 如果 choice 是字符串，建议统一加引号，避免
None或np.nan混入导致 dtype 变成object，后续字符串方法失效 - 调试时可先用
np.select(conditions, choices, default="DEBUG")看哪些行没被覆盖
遇到 ValueError: shape mismatch 怎么快速定位
这个错误八成是因为某个 condition 表达式返回了单个布尔值（比如你误用了 .any() 或 .all()），而不是长度为 N 的布尔数组。例如 df["score"] > 80 是对的，但 (df["score"] > 80).any() 就错了——它只返回一个 True/False。
另一个常见原因是用了带 axis 参数的聚合操作（如 .sum(axis=1)）后没重置索引，导致长度和原 DataFrame 不一致。
- 逐个打印
len(cond)和cond.dtype，确认全是bool类型且长度等于len(df) - 检查是否不小心用了
df.query("...")返回子集，然后拿它的布尔索引去参与np.select - 临时把
np.select拆成两步：mask = conditions[0]，再print(mask.sum(), len(df))，看是否数量对得上
复杂点在于条件之间的优先级和覆盖关系没法靠语法自动校验，只能靠人脑梳理逻辑顺序；最容易被忽略的是 default 值类型和 choice 列表不一致，导致整列 dtype 变成 object，后面做数值计算就突然报错。
