最推荐用 str.cat() 拼接字符串列，它自动跳过 NaN、速度快且专为此设计；若需条件拼接则用 np.where() 向量化处理，避免 apply() 性能损耗。
用 + 运算符拼接两列字符串最直接，但必须先处理缺失值
直接写 df['new_col'] = df['col_a'] + df['col_b'] 看似简单，一旦其中任一列含 NaN，结果整列就变成 NaN——因为 NaN + 'str' 在 pandas 中仍为 NaN，不是字符串拼接失败，而是语义上“未知 + 已知 = 未知”。
实操建议：
立即学习“Python免费学习笔记（深入）”；
Claw Code Suite (Python-Only Edition)
下载
仅使用 Python 将 Claw Code 虚拟化框架与 OpenClaw 集成，提供 184 种工具和 200 多条命令，用于安全分析和代码质量...
- 用
df['col_a'].fillna('')和df['col_b'].fillna('')预填充空值（最常用） - 若需保留原始
NaN意义（比如区分“空”和“无数据”），改用df['col_a'].astype(str)，但注意这会把NaN转成字符串'nan'，得额外用.replace('nan', '') - 避免用
map(str)或apply(str)，它们比astype(str)慢一个数量级
pd.concat() 不适用，str.cat() 才是专用于列拼接的高效方法
pd.concat() 是拼接 DataFrame 或 Series 对象，不是字符串内容；真正为多列字符串拼接设计的是 Series.str.cat()。它底层走的是优化过的 C 路径，比纯 Python 的 + 快 2–5 倍，尤其在百万行以上时差异明显。
实操建议：
立即学习“Python免费学习笔记（深入）”；
- 基础用法：
df['new_col'] = df['col_a'].str.cat(df['col_b'], sep=' ')，sep可设为空字符串、空格或任意分隔符 - 支持多列：
df['col_a'].str.cat([df['col_b'], df['col_c']], sep='-') - 自动跳过
NaN（默认行为），无需提前 fillna；如需保留NaN输出，加参数na_rep='' - 不支持直接传入未对齐的 Series，列长度必须一致，否则报错
ValueError: All arrays must be same length
当拼接逻辑复杂（如条件插入分隔符、过滤空值）时，numpy.where() 比 apply() 快得多
比如要求：“只有当 col_b 非空时才加空格和内容，否则只取 col_a”，这时 str.cat() 不够用，而 df.apply(lambda x: x['col_a'] + (' ' + x['col_b'] if x['col_b'] else ''), axis=1) 会严重拖慢性能。
实操建议：
立即学习“Python免费学习笔记（深入）”；
- 用
np.where()向量化处理：np.where(df['col_b'].notna(), df['col_a'] + ' ' + df['col_b'], df['col_a']) - 所有条件分支都必须是等长的 Series，不能混用标量和 Series（比如
''写成''没问题，但写成None就可能触发类型推断异常） - 如果逻辑超过 3 层嵌套，建议拆成多个临时列，比单次超长
np.select()更易读、更易调试
拼接后记得检查 dtype，避免意外转成 object 影响后续操作
pandas 在拼接过程中若遇到混合类型（如数字列 + 字符串列），会静默转成 object dtype，后续调用 .str.upper() 等方法会报 AttributeError，但错误提示不指向拼接本身，容易误判。
实操建议：
立即学习“Python免费学习笔记（深入）”；
- 拼接后立刻检查：
print(df['new_col'].dtype)，预期应为object（目前 pandas 字符串列默认仍是 object，除非显式启用stringdtype） - 若源列含数字，强制转字符串：
df['col_num'].astype(str)，别依赖隐式转换 - 启用新字符串类型（pandas ≥ 1.3）：
df['new_col'] = df['new_col'].astype('string')，能更好捕获NaN并提升部分操作性能
