根据条件列动态迁移DataFrame数据列

金融数据处理中的条件覆盖：pandas mask() 方法实战

聊一个金融数据处理中经常会遇到的场景：你手里有张期权数据表，里面有个“Put/Call”列，标记着每一行是看跌期权还是看涨期权。现在需要根据这个标记，把某些字段的值“搬”到另一些字段里去——比如，只有“Put”类型的那几行，才把“StrikePrice”填到“fixedspread”里，把“floatprice”填到“floatspread”里；其他行保持原样不动。这种操作听起来简单，但用常规的循环或apply写起来又慢又啰嗦。有没有更优雅的解法？

答案是肯定的，而且pandas已经内置了这样的利器——mask()方法。它本质上是一个“条件性覆盖”工具：只有当条件为True时，才用新值替换原值，其余位置纹丝不动。配合布尔索引和数组级赋值，一行代码就能搞定。

代码示例：一行实现条件迁移

import pandas as pd

# 构建示例数据
df = pd.DataFrame({
    'Put/Call': ['Put', 'Put', None, None],
    'StrikePrice': [10, 10, 0, 0],
    'fixedprice': [0, 0, 0, 0],
    'floatprice': [20, 20, 0, 0],
    'fixedspread': [0, 0, 13, 14],
    'floatspread': [0, 0, 15, 16]
})

# 条件迁移：当 Put/Call == 'Put' 时，用 StrikePrice → fixedspread，floatprice → floatspread
out = (df[['fixedspread', 'floatspread']]
       .mask(df['Put/Call'].eq('Put'),
             df[['StrikePrice', 'floatprice']].values)
      )
print(out)

输出结果：

   fixedspread  floatspread
0           10           20
1           10           20
2           13           15
3           14           16

注意看，前两行（Put类型）的fixedspread和floatspread已经被成功替换成了StrikePrice和floatprice的值，后两行（非Put）则保留了原来的13、14、15、16，分毫不差。

关键要点拆解

• df[['fixedspread', 'floatspread']] 先提取出目标列，形成一个临时的DataFrame；
• df['Put/Call'].eq('Put') 生成布尔掩码，只有Put行对应True；
• 最重要的一步：df[['StrikePrice', 'floatprice']].values 把源列转成NumPy二维数组，这样顺序才能严格对齐——第0列对应fixedspread，第1列对应floatspread；
• mask(cond, other) 的逻辑是：在cond为True的位置，用other对应位置的值替换掉原值，其余位置保持不变。

注意事项与常见陷阱

• 源列和目标列的数量、顺序必须一致，否则会直接报ValueError；
• 条件列里如果有None或NaN，.eq('Put')会返回False，安全跳过，不会误伤；
• 如果想彻底清理掉那些不再需要的列（比如Put/Call、StrikePrice、floatprice、fixedprice），可以在后面链式调用.drop()：

result = out.drop(columns=['Put/Call', 'StrikePrice', 'floatprice', 'fixedprice'], errors='ignore')

整个流程下来，没有循环，没有apply，纯向量化操作，干净利落。对于这类“按条件列动态迁移字段”的任务，mask()可以说是最推荐的实践，没有之一。