应显式构造互斥条件，如 (df['age'] > 60) & (df['score'] < 10)、~(df['age'] > 60) & (df['score'] >= 10) 等，再嵌套 np.where，避免逻辑重叠导致分类错误。
用 numpy.where 嵌套处理三段以上分类逻辑
当标签规则超过两个分支（比如“高风险”“中风险”“低风险”），直接链式 numpy.where 比反复 df.loc 赋值快得多，且避免视图/副本警告。
常见错误是写成 np.where(cond1, 'A', np.where(cond2, 'B', 'C')) 却忘了条件之间互斥——如果 cond1 和 cond2 同时为真，cond2 的结果根本不会生效，但用户可能误以为会按顺序覆盖。
- 务必先用
&和~显式写出互斥条件，例如：(df['age'] > 60) & (df['score'] ，别依赖“先后顺序”隐含逻辑 - 所有条件必须基于同一行计算，不能在
where内调用需 groupby 的聚合函数（那得先transform） - 字符串条件注意空值：
df['category'].isin(['A','B'])对NaN返回False，但df['category'] == 'A'返回NaN，会导致where把对应位置填成np.nan
用 pd.cut 或 pd.qcut 替代手写区间判断
如果你的标签本质是数值分箱（如“0–10: 新手，11–30: 熟练，31+: 专家”），硬写 df['score'].between(0,10) | (df['score'] > 10) & (df['score'] 容易漏边界、难维护。
pd.cut 自动处理左闭右开，pd.qcut 按分位数切，两者都支持 labels= 直接映射字符串，且天然跳过 NaN。
立即学习“Python免费学习笔记（深入）”；
安全 Python 代码沙箱：在隔离的沙箱中执行任意 Python 代码，预装 requests、NumPy、pandas 库。返回 stdout、stderr。
- 用
include_lowest=True让第一个区间左闭（否则[0,10)会把恰好等于 0 的值归为NaN） - 如果某列含
inf或-inf，pd.cut会报错，需先用df[col].replace([np.inf, -np.inf], np.nan) -
pd.qcut在样本量小时可能产生空桶，加参数duplicates='drop'避免 ValueError
用 df.assign + lambda 链式生成多列，避免中间变量污染
当新标签列依赖其他刚算出的临时列（比如先算“得分率”，再按得分率分档），用 assign 可以一行写完，不新建变量也不修改原 df。
错误做法是分开写 df['rate'] = ... 再 df['level'] = ...，既冗余又可能因索引对不齐出错（尤其做过 reindex 或 merge 后）。
- 示例：
df.assign(rate=lambda x: x['score']/x['max_score']).assign(level=lambda x: pd.cut(x['rate'], bins=[0,0.3,0.7,1], labels=['L','M','H'])) -
lambda x中的x始终是当前链式状态下的 DataFrame，所以后一个assign能直接用前一个定义的rate - 注意：
assign不改变原df，要保存得赋值回变量，或加inplace=False（默认就是）
多列组合条件性能差？试试 pd.Categorical 预编码
当你频繁根据 2–3 列联合取值打标（如“地区+产品线+季度”组合共 200 种，每种对应不同策略标签），用 df['key'] = df['region'] + '_' + df['line'] + '_' + df['quarter'].astype(str) 再 map(dict)，比每次 isin 或 query 快 3–5 倍。
但字符串拼接有隐患：空值会变 'nan'，数字精度丢失。更稳的方式是转 Categorical 后用 codes 做整数键。
- 先做：
cat = pd.Categorical(df[['region','line','quarter']].apply(tuple, axis=1)) - 再用
cat.codes当唯一整数 ID，配合dict(zip(cat.codes, labels))映射 - 如果后续还要按这个组合分组，直接用
cat本身传给groupby，比用多列元组快得多
np.where 遇到 NaN 条件返回 NaN，pd.cut 默认跳过，map 遇到未定义 key 也返回 NaN。别假设“没写 else 就是保留原值”，得主动用 fillna() 或 defaultdict 补全。 
