在 Pandas 中，可以根據(jù) 多列的值 生成新的列，常見的方法包括：

• apply() + 自定義函數(shù)（最靈活）
• np.where() 或 np.select()（條件判斷）
• 直接數(shù)學(xué)運(yùn)算（如 df['A'] + df['B']）
• assign() + lambda（鏈?zhǔn)讲僮鳎?/li>
• eval()（高效計(jì)算，但需謹(jǐn)慎使用）

1. 使用apply()+ 自定義函數(shù)（推薦）

適用于 復(fù)雜邏輯，可以基于多列計(jì)算新列。

import pandas as pd

df = pd.DataFrame({
    'math': [90, 80, 70],
    'english': [85, 75, 65],
    'science': [88, 92, 78]
})

# 定義一個(gè)函數(shù)，基于多列計(jì)算平均分
def calculate_average(row):
    return (row['math'] + row['english'] + row['science']) / 3

# 使用 apply() 按行計(jì)算
df['average'] = df.apply(calculate_average, axis=1)

print(df)

輸出：

   math  english  science    average
0    90       85       88  87.666667
1    80       75       92  82.333333
2    70       65       78  71.000000

優(yōu)化：使用lambda簡(jiǎn)化

df['average'] = df.apply(lambda row: (row['math'] + row['english'] + row['science']) / 3, axis=1)

2. 使用np.where()或np.select()（條件判斷）

適用于 基于多列條件 生成新列。

(1)np.where()（二分類）

import numpy as np

# 如果 math 和 english 都 > 80，則 '優(yōu)秀'，否則 '普通'
df['grade'] = np.where((df['math'] > 80) & (df['english'] > 80), '優(yōu)秀', '普通')

print(df)

輸出：

   math  english  science    average grade
0    90       85       88  87.666667    優(yōu)秀
1    80       75       92  82.333333    普通
2    70       65       78  71.000000    普通

(2)np.select()（多條件）

conditions = [
    (df['math'] >= 90) & (df['english'] >= 90),
    (df['math'] >= 80) & (df['english'] >= 80),
    (df['math'] >= 70) & (df['english'] >= 70)
]
choices = ['A', 'B', 'C']

df['grade'] = np.select(conditions, choices, default='D')

print(df)

輸出：

   math  english  science    average grade
0    90       85       88  87.666667      B
1    80       75       92  82.333333      C
2    70       65       78  71.000000      D

3. 直接數(shù)學(xué)運(yùn)算（簡(jiǎn)單計(jì)算）

適用于 多列直接運(yùn)算（如加權(quán)平均、總分等）。

# 計(jì)算總分（math + english + science）
df['total'] = df['math'] + df['english'] + df['science']

# 計(jì)算加權(quán)平均（math 權(quán)重 0.5，english 0.3，science 0.2）
df['weighted_avg'] = df['math'] * 0.5 + df['english'] * 0.3 + df['science'] * 0.2

print(df)

輸出：

   math  english  science  total  weighted_avg
0    90       85       88    263     87.300000
1    80       75       92    247     79.900000
2    70       65       78    213     70.100000

4. 使用assign()+lambda（鏈?zhǔn)讲僮鳎?/h2>

適用于 不修改原 DataFrame，而是返回新 DataFrame。

df = df.assign(
    total=lambda x: x['math'] + x['english'] + x['science'],
    weighted_avg=lambda x: x['math'] * 0.5 + x['english'] * 0.3 + x['science'] * 0.2
)

print(df)

輸出：

   math  english  science  total  weighted_avg
0    90       85       88    263     87.300000
1    80       75       92    247     79.900000
2    70       65       78    213     70.100000

5. 使用eval()（高效計(jì)算，但需謹(jǐn)慎）

適用于 快速計(jì)算，但可能影響可讀性。

# 計(jì)算總分
df['total'] = df.eval('math + english + science')

# 計(jì)算加權(quán)平均
df['weighted_avg'] = df.eval('math * 0.5 + english * 0.3 + science * 0.2')

print(df)

輸出：

   math  english  science  total  weighted_avg
0    90       85       88    263     87.300000
1    80       75       92    247     79.900000
2    70       65       78    213     70.100000

總結(jié)

最佳實(shí)踐：

• 簡(jiǎn)單計(jì)算 → 直接 + - * / 或 assign()
• 復(fù)雜邏輯 → apply() + lambda 或自定義函數(shù)
• 條件判斷 → np.where()（二分類）或 np.select()（多條件）
• 避免 eval()（除非性能關(guān)鍵，否則可讀性較差）

示例：綜合應(yīng)用

# 計(jì)算總分
df['total'] = df['math'] + df['english'] + df['science']

# 計(jì)算加權(quán)平均
df['weighted_avg'] = df.eval('math * 0.5 + english * 0.3 + science * 0.2')

# 判斷是否優(yōu)秀（math 和 english 都 > 85）
df['is_excellent'] = np.where((df['math'] > 85) & (df['english'] > 85), 'Yes', 'No')

print(df)

輸出：

   math  english  science  total  weighted_avg is_excellent
0    90       85       88    263     87.300000           No
1    80       75       92    247     79.900000           No
2    70       65       78    213     70.100000           No

這樣，你可以靈活地基于多列數(shù)據(jù)生成新列！ 

到此這篇關(guān)于Python Pandas實(shí)現(xiàn)根據(jù)多列的值生成新的列的文章就介紹到這了,更多相關(guān)Pandas根據(jù)多列的值生成列內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

最新評(píng)論