np.where()是向量化三元表达式，格式为np.where(条件,真值,假值)，需注意参数广播、布尔数组输入及dtype隐式转换；DataFrame中优先用df.loc布尔索引赋值，复杂逻辑可用np.select；务必检查并管理dtype以避免object类型导致的计算失败。
np.where() 基本用法：三元条件选择别写错顺序
它不是“先判断再赋值”的语句，而是 np.where(条件, 真值, 假值) 的向量化三元表达式。常见错误是把真值和假值位置颠倒，比如想把负数变 0、正数保留原值，却写成 np.where(arr > 0, arr, 0) —— 这其实是对的；但有人误写成 np.where(arr > 0, 0, arr)，结果全反了。
注意：三个参数都必须能广播（broadcast）对齐。如果传入标量、一维数组、二维数组混用，容易触发 ValueError: operands could not be broadcast together。
- 条件部分必须是布尔数组（不能是 Python 布尔值
True/False） -
真值和假值可以是标量、数组，甚至np.nan或None（但后者可能触发 dtype 自动转为object） - 若只传两个参数（如
np.where(mask)），返回的是满足条件的索引元组，不是赋值——这和条件赋值完全无关，别混用
Pandas 列条件赋值：df.loc 配合布尔索引比 np.where 更直观
在 DataFrame 中按列条件修改某列时，df.loc[条件, '列名'] = 新值 比嵌套 np.where 更易读、更安全。尤其当逻辑多层嵌套或需复用中间布尔结果时，loc 写法天然支持链式调试。
例如想把 df['score'] 中大于 90 的设为 'A'，60–90 为 'B'，其余 'C'，直接用 np.where 嵌套三层容易出括号错位；而用 loc 分三步写，每步可单独 print 验证：
立即学习“Python免费学习笔记（深入）”；
df.loc[df['score'] > 90, 'grade'] = 'A' df.loc[(df['score'] >= 60) & (df['score'] <= 90), 'grade'] = 'B' df.loc[df['score'] < 60, 'grade'] = 'C'
- 布尔条件中多个条件必须用括号包裹，且用
&（不是and）、|（不是or） - 避免直接对未存在的列赋值（如
df['new_col'][mask] = ...），会触发SettingWithCopyWarning；务必用df.loc[...] - 如果目标列 dtype 是
int，但赋了字符串，pandas 会自动转成object，后续数值计算就炸了
性能对比：简单二分条件用 np.where，多分支优先考虑 np.select
当条件超过两个分支（比如五档评级），硬套 np.where(a, x, np.where(b, y, np.where(c, z, ...))) 不仅难维护，还慢——每层 np.where 都要完整扫描数组。
np.select 是为此设计的：它接受一个条件列表和对应取值列表，一次完成多路分流，底层更高效，也更贴近“查表”直觉：
conds = [df['score'] >= 90, df['score'] >= 80, df['score'] >= 70] choices = ['A', 'B', 'C'] df['grade'] = np.select(conds, choices, default='D')
-
np.select的conds是列表，顺序即优先级：前面条件为 True 就不再看后面的 -
default参数必须显式指定，否则遇到全不匹配会填np.nan（且 dtype 可能意外变成float64） - 如果条件之间有重叠（比如没加互斥约束），结果取决于列表顺序，这点和
if-elif-else一致
dtype 隐式转换陷阱：赋值后数值列变 object 了怎么办
最常被忽略的一点：只要往原本是 int64 的列里塞了一个 str 或 np.nan，整列 dtype 就会悄悄升格为 object。之后再做 .sum()、.mean() 会报错或返回 NaN，而且内存占用翻几倍。
检查方式很简单：df['col'].dtype；修复也不难，但得提前想好缺失值怎么表达：
- 如果允许缺失，统一用
pd.NA（配合Int64、string等可空类型） - 如果必须数值，用
-1、999等哨兵值，但后续所有统计都得手动过滤 - 别依赖
df['col'].astype('int')强转——遇到np.nan直接报ValueError: Cannot convert non-finite values (NA or inf) to integer
条件赋值这事，表面是语法选择，实际是 dtype 意识、缺失值策略和向量化思维的混合体。写完记得看一眼 df.dtypes，比跑十遍结果都管用。
