loc配合布尔索引赋值最稳妥，推荐df.loc[条件,'列']=值；避免链式赋值；多条件用&连接并加括号；np.where适合三元逻辑；mask/where用于清洗；禁用apply行操作；注意索引对齐。
用 loc 配合布尔索引直接赋值最稳妥
直接改列值时，loc 是唯一推荐方式。Pandas 的链式赋值（比如 df[df['A'] > 0]['B'] = 1）会触发 SettingWithCopyWarning，且实际可能不生效——因为右侧表达式常返回视图或副本。
实操建议：
立即学习“Python免费学习笔记（深入）”；
- 写法必须是
df.loc[条件, '目标列'] = 新值，条件用布尔 Series，比如df['A'] > 0 - 新值可以是标量、等长数组，或另一个 Series（索引需对齐）
- 如果条件涉及多列，用括号包住每个子条件，用
&（不是and）连接，例如(df['A'] > 0) & (df['C'] == 'x') - 避免在条件里用
isnull()或notna()后直接跟=，应统一用df.loc[df['A'].notna(), 'B'] = ...
用 numpy.where 处理三元逻辑更清晰
当更新逻辑是“满足条件取 X，否则取 Y”，np.where 比嵌套 loc 更易读、性能也更好，尤其对大 DataFrame。
实操建议：
立即学习“Python免费学习笔记（深入）”；
-
df['B'] = np.where(df['A'] > 0, 'high', 'low')—— 第二、三参数支持标量、数组或 Series - 可嵌套：
np.where(df['A'] > 10, 'high', np.where(df['A'] > 0, 'mid', 'low')) - 注意：如果第二/三参数含 NaN，结果类型可能自动升为
object；必要时用astype()显式指定 - 不能用
np.where做原地修改（它返回新数组），所以要重新赋值给列
用 mask 和 where 替换特定条件下的值
这两个方法语义明确：mask 是“满足条件就替换成指定值（默认 NaN）”，where 是“满足条件才保留原值，否则替换”。适合清洗类场景。
实操建议：
立即学习“Python免费学习笔记（深入）”；
df['B'] = df['B'].mask(df['A'] → 把 A 小于 0 对应的 B 改成 0-
df['B'] = df['B'].where(df['A'] >= 0, -1)→ 等价于上一行，但逻辑主语是“保留哪些” - 它们默认不修改原 DataFrame，必须显式赋值；传参
inplace=True虽然存在，但不推荐（和loc一样，易出错） - 如果条件列有 NaN，
mask/where默认把对应位置也设为 NaN，如需保留原值，加参数other=df['B']并配合cond.fillna(False)
别踩 apply + lambda 的性能坑
用 df['B'] = df.apply(lambda x: x['B'] * 2 if x['A'] > 0 else x['B'], axis=1) 能跑通，但这是最慢的方式，10 万行以上明显卡顿，且无法利用向量化。
实操建议：
立即学习“Python免费学习笔记（深入）”；
- 除非逻辑极度复杂（比如调外部 API、正则分组后拼接），否则一律避免
apply行操作 - 字符串操作优先用
str.xxx方法（如df['A'].str.contains(...)），数值计算优先用np.where或布尔索引 - 真要用
apply，确保函数返回标量，并用result_type='expand'控制输出结构，避免隐式类型转换
最易被忽略的是索引对齐问题：用 loc 或 np.where 时，如果条件来自另一个 DataFrame 或 Series，务必确认索引完全一致，否则静默填充 NaN 或错位赋值。动手前先 df.index.equals(other.index) 检查一次。
