本文介绍如何使用字典映射与 `apply` 方法，将 dataframe 中多列组合（如 `'u1'`, `'u2'`, `'u3'`, `'u4'`）动态匹配预定义权重，并高效计算各组合对应的加权乘积（非求和），避免硬编码，提升可维护性与扩展性。
在实际数据分析中，常需根据多列联合取值（如 'Right_Wrong_Wrong_Right'）查表获取对应权重，并进一步计算其乘积（而非求和）。例如：若规则为 (col1, col2, col3, col4) = ('Right', 'Wrong', 'Wrong', 'Right') 对应权重 [5, 100, 100, 100]，则目标列 'Value' 应为 5 × 100 × 100 × 100 = 5,000,000。
关键在于解耦规则配置与计算逻辑：将权重关系抽象为键值对字典，再通过函数式方式按行组合索引、查表、聚合。以下是推荐实现方案：
✅ 步骤一：构建权重映射字典
假设原始权重信息存储在另一张规则表 weight_df 中，包含列 'from', 'to', 'from_answer', 'to_answer', 'weight'（如 (u1, u2, Right, Wrong) → 5），可构造元组键映射：
# 构建 (from, to, from_answer, to_answer) → weight 的映射
weights_map = {
(row['from'], row['to'], row['from_answer'], row['to_answer']): row['weight']
for _, row in weight_df.iterrows()
}⚠️ 注意：确保 weight_df 覆盖所有可能的 (u_i, u_j) 组合及答案组合，否则运行时会触发 KeyError。
✅ 步骤二：定义乘积计算函数
针对每行数据，提取指定列对（如 ('u1','u2'), ('u2','u3'), ('u3','u4'), ('u1','u4')），从 weights_map 中查出对应权重，并用 math.prod() 计算乘积（Python ≥ 3.8）：
import math
def calculate_weighted_product(row):
# 定义需参与计算的列对（按业务逻辑调整）
pairs = [('u1', 'u2'), ('u2', 'u3'), ('u3', 'u4'), ('u1', 'u4')]
try:
weight_list = [
weights_map[(u, v, row[u], row[v])]
for u, v in pairs
]
return math.prod(weight_list)
except KeyError as e:
raise ValueError(f"Missing weight mapping for pair {e}. Check rule table completeness.")
# 应用到主 DataFrame
df['Value'] = df.apply(calculate_weighted_product, axis=1)✅ 替代方案：使用 map + reduce（兼容旧版 Python）
若环境不支持 math.prod，可用 functools.reduce：
from functools import reduce
import operator
def calculate_weighted_product(row):
pairs = [('u1', 'u2'), ('u2', 'u3'), ('u3', 'u4'), ('u1', 'u4')]
weight_list = [weights_map[(u, v, row[u], row[v])] for u, v in pairs]
return reduce(operator.mul, weight_list, 1)? 验证与调试建议
- 使用 df.head().assign(Value=df.head().apply(calculate_weighted_product, axis=1)) 快速验证前几行；
- 添加 print(f"Row {row.name}: keys={[(u,v,row[u],row[v]) for u,v in pairs]}") 辅助定位缺失键；
- 对 weights_map 做去重与完整性检查：len(weights_map) == weight_df.drop_duplicates(subset=['from','to','from_answer','to_answer']).shape[0]。
? 总结
该方法将业务规则（权重表）与计算逻辑完全分离，既避免了冗长的 if-elif 链或 np.select 硬编码，又具备良好可读性与可测试性。当规则变更时，仅需更新 weight_df，无需修改核心代码；新增列对也只需调整 pairs 列表即可。这是处理多维条件加权计算的工程级推荐实践。
