陪伴而非守候
您可以存储一些条件系列np.where()，然后将它们应用到数据帧：s1 = np.where(df['p'] < df['q'], df['q'], df['p'])s2 = np.where(df['p'] > df['q'], df['q'], df['p'])df['p'] = s1df['q'] = s2dfOut[1]: p q0 0.5 0.51 0.6 0.42 0.7 0.33 0.6 0.44 0.9 0.1您还可以使用.where()：s1 = df['p'].where(df['p'] > df['q'], df['q'])s2 = df['p'].where(df['p'] < df['q'], df['q'])df['p'] = s1df['q'] = s2df我测试了从 100 行到 100 万行的不同行的执行时间，需要通过的答案axis=1可以是10,000 times slower!：Erfan 的 numpy 答案看起来是大型数据集以毫秒为单位执行最快的答案我的.where()答案也具有出色的性能，可以将执行时间保持在毫秒内（我假设 `np.where() 会有类似的结果。我以为MHDG7的答案会是最慢的，但实际上它比Alexander的答案更快。我猜亚历山大的回答很慢，因为它需要通过axis=1。事实上，MGDG7 和 Alexander 的答案是逐行的（带有axis=1），这意味着对于大型数据帧来说，它会大大减慢速度。正如您所看到的，一百万行数据帧需要几分钟才能执行。而且，如果您有 1000 万行到 1 亿行的数据帧，这些单行代码可能需要几个小时才能执行。from timeit import timeitdf = d.copy()def df_where(df): s1 = df['p'].where(df['p'] > df['q'], df['q']) s2 = df['p'].where(df['p'] < df['q'], df['q']) df['p'] = s1 df['q'] = s2 return dfdef agg_maxmin(df): df[['p', 'q']] = df[['p', 'q']].agg([max, min], axis=1) return dfdef np_flip(df): df = pd.DataFrame(np.flip(np.sort(df), axis=1), columns=df.columns) return dfdef lambda_x(df): df = df.apply(lambda x: [x['p'],x['q']] if x['p']>x['q'] else [x['q'],x['p']],axis=1,result_type='expand') return dfres = pd.DataFrame( index=[20, 200, 2000, 20000, 200000], columns='df_where agg_maxmin np_flip lambda_x'.split(), dtype=float)for i in res.index: d = pd.concat([df]*i) for j in res.columns: stmt = '{}(d)'.format(j) setp = 'from __main__ import d, {}'.format(j) print(stmt, d.shape) res.at[i, j] = timeit(stmt, setp, number=1)res.plot(loglog=True);