Python 3.x 使用“应用”基于多个列值添加新列

我想在test_df中添加一个新列，它包含a列或b列的值，具体取决于change_col和change是否为True。下面的for循环可以工作，但速度太慢如何使用apply或类似工具添加新列

test_df = pd.DataFrame({"a":[1,1,2,3],
                    "b":["ant","ber","cas","dor"],
                    "change_col":["a","b","b","a"],
                    "change":[True,True,True,False]})

    a   b      change_col   change
0   1   ant        a       True
1   1   ber        b       True
2   2   cas        b       True
3   3   dor        a       False

所需的df：

    a   b     change_col    change  new_value
0   1   ant        a        True    1
1   1   ber        b        True    ber
2   2   cas        b        True    cas
3   3   dor        a        False   NaN

我的for循环

new_value= []
for _ , row in test_df.iterrows():
    if row["change"] is True:
        new_value +=[row[row["change_column"]]]
    else:
        new_value += [np.NaN]
test_df["new_value"] = new_value

---

我正在python 3.7上使用pandas 0.24.2。

您可以使用[DataFrame.lookup][1]

test_df['new_val'] = test_df.lookup(test_df.index, test_df['change_col'])

    a   b   change_col  change  new_val
0   1   ant a           True    1
1   1   ber b           True    ber
2   2   cas b           True    cas
3   3   dor a           False   3

编辑：要说明更改列，请使用条件

test_df['new_val'] = np.where(test_df['change'], test_df.lookup(test_df.index, test_df['change_col']), np.nan)

    a   b   change_col  change  new_val
0   1   ant a           True    1
1   1   ber b           True    ber
2   2   cas b           True    cas
3   3   dor a           False   NaN

下面是一个使用以下方法的解决方案：

将熊猫作为pd导入
将numpy作为np导入
test_df=pd.DataFrame（{“a”：[1,1,2,3]，
“b”：[“ant”、“ber”、“cas”、“dor”]，
“变更内容”：[“a”、“b”、“b”、“a”]，
“更改”：[True，True，True，False]}）
变更a=（（测试df['change']）和（测试df['change\col']='a'））
变更=（（test_df['change']）和（test_df['change_col']='b'））
不改变=~test\u df['change']
条件=[改变a，改变b，不改变]
选项=[test_df['a']，test_df['b']，np.nan]
测试_df[“新值”]=np.选择（条件、选项）
打印（测试测向）

输出：

   a    b  change change_col new_value
0  1  ant    True          a         1
1  1  ber    True          b       ber
2  2  cas    True          b       cas
3  3  dor   False          a       NaN

---

由于您有多个条件，我们可以使用

np。在此处选择
来定义我们的条件，并根据这些条件选择我们的值：

conditions = [
    test_df['change_col'].eq('a') & test_df['change'].eq(True),
    test_df['change_col'].eq('b') & test_df['change'].eq(True)
]

test_df['new_value'] = np.select(conditions, choicelist=[test_df['a'], test_df['b']], default=np.NaN)

输出

   a    b change_col  change new_value
0  1  ant          a    True         1
1  1  ber          b    True       ber
2  2  cas          b    True       cas
3  3  dor          a   False       NaN

就像这一个，你只是错过了一个条件，这应该是有效的：
np.where（test_df['change']，test_df.lookup（test_df.index，test_df['change\u col']），np.NaN
@Erfan，是的，我没有看到改变的条件，谢谢，它适用于多个列！select有默认值，nice:DYes:），另外我喜欢编程explicity
eq（True）
，因为初学者可能会感到困惑，因为如果将它与矢量化解决方案（如
np）结合起来，就会理解这一点。select
@Adam.er8不同意重复，这不是简单的查找。见我在瓦伊沙利回答下的评论