最常用稳妥的多条件逐行判断替换方式是numpy.where，支持嵌套、可读性强、性能优；需赋值回DataFrame才生效，单层及嵌套用法明确，且Pandas自动对齐索引。
用 numpy.where 实现多条件逐行判断替换
直接改列值最常用也最稳妥的方式是 numpy.where，它支持嵌套、可读性强，且底层用 C 实现，性能比纯 Python 循环好得多。注意它返回的是新数组，要赋值回 DataFrame 才生效。
- 单层条件：
df['col'] = np.where(df['col'] > 10, 'high', 'low') - 嵌套多条件（等价于 if-elif-else）：
df['col'] = np.where(df['col'] - 避免写成
df['col'].where(...)—— 这是 Pandas 的where方法，作用相反（保留满足条件的值，其余变 NaN），容易混淆 - 如果条件依赖其他列，直接写
df['A'] > df['B']即可，Pandas 自动对齐索引
用 pd.Series.map + 自定义函数处理离散映射逻辑
当替换逻辑是“把某些具体值映射为另一些值”，比如状态码转文字、ID 转名称，map 比 where 更直观。它天然忽略 NaN，适合有缺失值的场景。
- 传字典最简单：
df['status'] = df['status'].map({1: 'active', 0: 'inactive', 2: 'pending'}) - 传函数更灵活：
df['score_level'] = df['score'].map(lambda x: 'A' if x >= 90 else 'B' if x >= 80 else 'C') - 注意：字典中没覆盖的 key 会变成 NaN；若想保留原值，加
na_action='ignore'不起作用，得用fillna(df['score'])补回去 - 函数里别用 print 或耗时操作——
map是逐元素调用，大数据量时很慢
用 pd.Series.mask 或 pd.Series.loc 做原地条件修改
mask 和 loc 都支持布尔索引，适合“只改一部分值，其余不动”的场景。它们不依赖外部库，语义清晰，但要注意链式赋值警告。
-
mask是“满足条件就替换成指定值”：df['price'] = df['price'].mask(df['discount'] > 0.5, df['price'] * 0.7) -
loc更通用，可同时改多列：df.loc[df['category'] == 'electronics', 'tax_rate'] = 0.12 - 别写
df['col'][condition] = value—— 这触发 SettingWithCopyWarning，且有时不生效（尤其从 groupby 或切片得来子集时） - 布尔条件里用
&（不是and）、|（不是or）、~（不是not），括号不能省：(df['a'] > 1) & (df['b']
为什么不用 apply？什么情况下才考虑它
apply 看起来自由度高，但绝大多数条件替换场景下它是性能黑洞，且容易写出不可靠代码。
立即学习“Python免费学习笔记（深入）”；
- 99% 的情况，
where/map/mask能覆盖；apply应该是最后选项 - 如果逻辑必须依赖行内多个字段的复杂计算（比如 “根据前一行 price 和当前 volume 计算波动标记”），才考虑
apply+axis=1 -
apply返回标量时，Pandas 会尝试推断 dtype，可能把 int 列变成 float；显式指定dtype或用astype补救 - 函数里别修改传入的 Series 或 DataFrame——
apply传的是视图或副本，行为不确定
真正麻烦的从来不是“怎么写”，而是条件边界是否覆盖了所有分支、NaN 怎么处理、原始 dtype 是否被意外改变。这些细节不打印出来看一眼，很容易在下游计算里突然报错。
