本文详解如何基于现有列（如 Name）的值，批量映射并添加新列（如 Col3），推荐使用 map() 方法替代多次 loc 赋值，避免类型错误、提升可读性与性能。
本文详解如何基于现有列（如 name）的值，批量映射并添加新列（如 col3），推荐使用 `map()` 方法替代多次 `loc` 赋值，避免类型错误、提升可读性与性能。
在 Pandas 中，为 DataFrame 添加基于某列值动态映射的新列，最常见也最高效的方案是使用 Series.map() 方法——它专为“键→值”一对一映射设计，天然支持缺失值（NaN）保留，且语法简洁、执行迅速。
你遇到的错误 'int' object has no attribute 'loc'，通常是因为误将 df 赋值为整数（例如 df = 0 或函数返回了非 DataFrame 对象），导致后续调用 df.loc[…] 时 df 已不是 DataFrame 类型。但即使语法正确，逐条使用 df.loc[df['Name'] == 'xxx', 'Col3'] = value 也存在明显缺陷：代码冗长、难以维护、性能低下（尤其数据量大时触发多次布尔索引），且未初始化 Col3 列可能导致隐式类型转换问题（如首次赋值后该列为 float64，后续插入 int 会自动转为 float）。
✅ 推荐做法：使用 map() + 字典映射
首先定义映射关系字典，然后直接对 Name 列调用 .map()，结果直接赋给新列：
import pandas as pd
# 示例数据
df = pd.DataFrame({
'Name': ['Product 1', 'Product 2', 'Product 5', 'Product 3'],
'Col1': ['x', 'a', 'y', 'z'],
'Col2': ['xx', 'bb', 'y', 'cc']
})
# 定义映射规则（键为 Name 值，值为 Col3 目标值）
name_to_col3 = {
'Product 1': 100,
'Product 2': 40,
'Product 3': 250,
'Product 5': 1000
}
# 一行代码添加 Col3：自动对齐、保留 NaN、类型安全
df['Col3'] = df['Name'].map(name_to_col3)
print(df)输出：
Name Col1 Col2 Col3 0 Product 1 x xx 100 1 Product 2 a bb 40 2 Product 5 y y 1000 3 Product 3 z cc 250
? 关键优势说明：
- 自动对齐：map() 按 Name 列的每个元素查找字典，找不到则返回 NaN（可配合 fillna() 处理）；
- 类型稳定：若字典值全为 int，结果列默认为 Int64（支持 NaN 的整数类型）或 float64（旧版），无意外类型转换；
- 零循环、高性能：底层向量化实现，远快于多次 loc 或 apply；
- 可扩展性强：新增映射只需更新字典，无需修改逻辑代码。
⚠️ 注意事项：
- 若 Name 中存在字典未覆盖的值（如 'Product 99'），对应 Col3 将为 NaN；如需默认值，可用 df['Name'].map(name_to_col3).fillna(0)；
- 确保 df 是有效的 DataFrame 实例（可通过 print(type(df)) 验证），避免因变量名复用导致类型错误；
- 如映射逻辑复杂（如正则匹配、条件计算），再考虑 apply() 或自定义函数，但简单键值映射请优先用 map()。
总结：df['NewCol'] = df['KeyCol'].map(mapping_dict) 是添加条件映射列的黄金标准——简洁、健壮、高效。告别重复 loc 赋值，从一次正确的映射开始。
