推荐用 pandas.DataFrame.assign 链式生成多列依赖特征，支持 lambda 引用已有列（如 x['A']），避免中间变量；复杂逻辑拆为局部函数；条件分支优先用 np.select；慎用 eval/query；务必添加断言检查 NaN。
用 pandas.DataFrame.assign 链式生成多列依赖的新特征
直接用 assign 而不是反复赋值，能避免中间变量污染命名空间，也更易读。它天然支持列间引用——只要右侧表达式里用 df['col_name'] 或 df.col_name 即可访问已有列。
常见错误是写成 df.assign(new_col = df.a + df.b * df.c) 却忘了 df 在 assign 内部不可见；正确写法是传入 lambda 或直接用已计算好的 Series（但后者失去链式优势）。
- 推荐写法：
df.assign(new_feat=lambda x: x['A'] * x['B'] + x['C'].clip(0, 10)) - 若逻辑太长，拆成局部函数再传入：
def calc_risk(x): return (x['income'] / (x['debt'] + 1e-6)) ** 0.5，然后df.assign(risk_score=calc_risk) - 注意：lambda 中的
x是当前 DataFrame 的视图，不能在 lambda 里改原 df，否则可能触发 SettingWithCopyWarning
当逻辑含条件分支时，优先用 numpy.select 而非嵌套 np.where
三个以上 if-elif-else 场景下，np.where 嵌套会让代码难读且易错；np.select 更清晰、性能略优，且天然支持“无匹配时默认值”。
典型场景：按收入分段打标签（low/medium/high），或根据多个布尔列组合生成状态码。
立即学习“Python免费学习笔记（深入）”；
- 条件列表必须是布尔数组列表，顺序即判断顺序：
conditions = [df['age'] 45] - 选择列表长度需与 conditions 一致：
choices = ['young', 'mid', 'senior'] - 务必指定
default，否则遇到全 False 会报ValueError：np.select(conditions, choices, default='unknown') - 别直接对字符串列用
np.select—— 先转成布尔数组，例如df['category'] == 'A'
涉及时间差、滚动窗口或分组内运算时，必须确认索引和排序状态
很多跨列逻辑实际依赖行顺序（如“上一行的销售额 vs 当前行成本”），但 pandas 不保证 DataFrame 默认有序。未显式排序就调用 .shift() 或 .diff()，结果可能完全错乱。
尤其在读取 CSV 后直接操作，或经过 groupby().apply() 返回不保序结果时，问题高发。
- 时间类运算前先做：
df = df.sort_values(['user_id', 'event_time']).reset_index(drop=True) -
.rolling(window=7).mean()对datetime列需配合on=参数，否则按位置滚动而非时间滚动 - 分组内计算（如用户最近三次购买间隔）必须用
groupby(...).apply(lambda g: g.sort_values('ts').diff().iloc[-1])，不能省略sort_values
内存敏感场景下，避免用 eval 或 query 动态构造复杂逻辑
df.eval('A + B * C > D') 看似简洁，但底层会复制数据、编译表达式，且无法调试中间步骤；query 同理，对超大 DataFrame（>10M 行）有明显 GC 开销。
真实业务中，新特征常需复用中间结果（比如先算 log_ratio，再用它参与后续判断），动态字符串拼接会让逻辑散落、难以维护。
- 替代方案：用普通列赋值逐步构建，哪怕多写一两行：
df['log_ratio'] = np.log(df['numerator'] / df['denominator'].replace(0, np.nan)) - 如果真要动态执行，用
getattr+ 字典配置代替字符串：ops = {'ratio': lambda x: x['a']/x['b'], 'flag': lambda x: x['ratio'] > 1}，再循环调用 - 特别注意：
eval会忽略 NaN 传播规则，有时返回意外的True，建议始终加engine='python'显式控制行为
跨列逻辑真正麻烦的从来不是语法，而是隐式依赖——某列是否缺失、是否被前面步骤意外修改、分组后索引是否重置。每次加新特征，最好顺手加一行断言：assert df['new_feat'].notna().all(), "new_feat contains NaN"。
