本文介绍在 Pandas DataFrame 中基于现有列（如 Name）的值，批量添加新列（如 Col3）并精准填充映射值的多种方法，涵盖 .loc 赋值、map() 映射及 replace() 等实用技巧，并指出常见错误原因与最佳实践。
本文介绍在 pandas dataframe 中基于现有列（如 `name`）的值，批量添加新列（如 `col3`）并精准填充映射值的多种方法，涵盖 `.loc` 赋值、`map()` 映射及 `replace()` 等实用技巧，并指出常见错误原因与最佳实践。
在实际数据处理中，经常需要根据某列的类别值（如产品名称）为新列填充预定义的对应数值——例如将 "Product 1" 映射为 100，"Product 5" 映射为 1000。初学者常尝试用 df.loc[condition, 'Col3'] = value 却遇到 'int' object has no attribute 'loc' 错误，这通常是因为误将整数变量（如 df = 123）当作 DataFrame 使用，或未提前初始化 DataFrame 对象。
✅ 正确做法是：先确保 df 是有效的 pandas DataFrame，再使用 .loc 或更推荐的向量化方法。
方法一：使用 .loc（适用于少量明确条件）
import pandas as pd
df = pd.DataFrame({
'Name': ['Product 1', 'Product 2', 'Product 5'],
'Col1': ['x', 'y', 'z'],
'Col2': ['xx', 'yy', 'zz']
})
# 安全赋值（自动创建 Col3 列，dtype 为 float64）
df.loc[df['Name'] == 'Product 1', 'Col3'] = 100
df.loc[df['Name'] == 'Product 2', 'Col3'] = 40
df.loc[df['Name'] == 'Product 5', 'Col3'] = 1000
print(df)⚠️ 注意：多次 .loc 赋值会触发隐式类型转换（如 int → float），且效率随条件增多而下降。
方法二（推荐）：使用 map() —— 简洁、高效、可读性强
# 构建映射字典（键为 Name 值，值为目标数值）
mapping_dict = {
'Product 1': 100,
'Product 2': 40,
'Product 5': 1000
}
# 直接生成新列（自动对齐，未匹配项返回 NaN）
df['Col3'] = df['Name'].map(mapping_dict)
# 可选：用 fillna() 处理缺失映射（如设默认值 0）
# df['Col3'] = df['Name'].map(mapping_dict).fillna(0).astype(int)方法三：使用 replace()（语义相近，支持列表/字典）
df['Col3'] = df['Name'].replace(mapping_dict)
✅ 关键注意事项：
- 避免重复创建列：若 Col3 已存在，df['Col3'] = ... 会直接覆盖；.loc 赋值则要求列已存在或会自动创建（但需注意 dtype 兼容性）。
- NaN 值安全：map() 和 replace() 默认保留原始 NaN，无需额外处理。
- 性能对比：对于千行以上数据，map() 比链式 .loc 快 5–10 倍，且代码更易维护。
- 扩展性建议：若映射关系来自外部文件（如 Excel 或 CSV），可用 pd.read_csv(..., index_col=0).squeeze().to_dict() 快速构建字典。
综上，优先使用 map() 配合字典映射，既简洁鲁棒，又符合 pandas 向量化设计哲学。遇到 'int' object has no attribute 'loc' 报错时，请首先检查 type(df) 是否为 <class 'pandas.core.frame.DataFrame'>，确认 DataFrame 初始化无误。
