Python 如何基于相应列系列中的值在一系列列上应用函数？

我有一个df，其中我有几个列，根据这些列中的值（1-6），我想给相应的列分配一个值（0-1）。我可以做一列一列的基础上，但想使它成为一个单一的功能。下面是一些示例代码：

import pandas as pd
df = pd.DataFrame({'col1': [1,3,6,3,5,2], 'col2': [4,5,6,6,1,3], 'col3': [3,6,5,1,1,6],
                  'colA': [0,0,0,0,0,0], 'colB': [0,0,0,0,0,0], 'colC': [0,0,0,0,0,0]})

（col1对应colA，col2对应colB，col3对应colC）

此代码以列为单位工作：

df.loc[(df.col1 != 1) & (df.col1 < 6), 'colA'] = (df['colA']+ 1)

df.loc[（df.col1！=1）和（df.col1<6），“colA”]=（df[“colA”]+1）

但我希望能够有一个列的列表，可以这样说，并让它与另一列相对应。类似这样的（但实际上是有效的）：

m=df['col1'：'col3']！=1&df['col1'：'col3']<6
df.loc[m，'colA'：'colC']+=1

---

谢谢大家!

下面是我要做的：

#拆分数据帧
sub_df=df.iloc[：，：3]
abc=df.iloc[：，3:]
#生成numpy数组真值表
真值表=（sub_df.to_numpy（）>1）和（sub_df.to_numpy（）<6）
#基于numpy真值表重新定义abc
new_abc=pd.DataFrame（truth_table.astype（int），columns=['colA'，'colB'，'colC']）
#加入更新的数据帧子组
新测向=pd.concat（[子测向，新测向abc]，轴=1）

思想是通过过滤

数据帧

s，然后通过掩码过滤列，并通过另一个

df2

重命名列，最后仅用于

df。列

：

df1 = df.loc[:, 'col1' : 'col3'] 
df2 = df.loc[:, 'colA' : 'colC']

d = dict(zip(df1.columns,df2.columns))

df1 = ((df1 != 1) & (df1 < 6)).rename(columns=d)

df[df2.columns] = df[df2.columns].add(df1)
print (df)
   col1  col2  col3  colA  colB  colC
0     1     4     3     0     1     1
1     3     5     6     1     1     0
2     6     6     5     0     0     1
3     3     6     1     1     0     0
4     5     1     1     1     0     0
5     2     3     6     1     1     0

df1=df.loc[：，'col1'：'col3']
df2=df.loc[：，'colA'：'colC']
d=dict（zip（df1.columns，df2.columns））
df1=（（df1！=1）和（df1<6））。重命名（列=d）
df[df2.columns]=df[df2.columns].add（df1）
打印（df）
col1 col2 col3 colB colC
0     1     4     3     0     1     1
1     3     5     6     1     1     0
2     6     6     5     0     0     1
3     3     6     1     1     0     0
4     5     1     1     1     0     0
5     2     3     6     1     1     0

df1 = df.loc[:, 'col1' : 'col3'] 
df2 = df.loc[:, 'colA' : 'colC']

d = dict(zip(df1.columns,df2.columns))

df1 = ((df1 != 1) & (df1 < 6)).rename(columns=d)

df[df2.columns] = df[df2.columns].add(df1)
print (df)
   col1  col2  col3  colA  colB  colC
0     1     4     3     0     1     1
1     3     5     6     1     1     0
2     6     6     5     0     0     1
3     3     6     1     1     0     0
4     5     1     1     1     0     0
5     2     3     6     1     1     0