我們有許多技巧(套路)來簡化這一過程。我會一連幾篇文章，從簡單到復雜，教你如何理解和應用這些技巧。

動態調用不同的函數

先看數據：

 

• 列[計算方式]，決定了列[調整]的計算結果

每一種計算方式如下：

 

看過我之前文章【為什么你總是學不會Python，入門Python的4大陷阱ython，因為你全掉坑了】的小伙伴已經學聰明了，為每一種計算單獨定義了函數：

 

但是，該怎么調用這些函數呢？

"很簡單呀，判斷，然后調用"：

 

• 行9：為了防止出現遺漏的計算方式

這看起來不錯，但是，每新增一種方式，就要在這里追加一個判斷，一旦分支很多，這里的代碼就會非常冗長：

 

為什么我一直讓每一塊代碼盡可能簡短？

因為我們每次處理一個獨立小問題會比處理大問題要高效得多，大問題意味著涉及很多小問題。同時解決多個小問題，會讓我們的大腦短路。

單獨聲明映射關系

如果我們可以這樣子定義計算方式與函數的關系，那就很舒服了：

 

"這看著有點眼熟，不就是字典嗎？"

對，字典就是用來表達這種一對一關系的最佳結構。

你可以把字典當作是一個過目不忘(死記硬背)的記憶高手，只要他過一遍數據之后，你給他一個 key 值，他能馬上找出對應的 value 值給你。

于是，我們可以把計算方式與定義的每個函數給他記憶：

 

接下來，真正處理每一行數據的時候，只需要讓他(字典)取出函數，然后調用即可：

 

• 行2-4：特別要注意，字典的 value 我們只是給了函數名字，千萬別在后面加括號，括號是表示執行函數。現在我們不需要執行函數呢
  

• 調用的時候，別忘記給函數傳入需要計算的指標

• 不僅代碼簡單了，如果你有留意左下角的運行時間，你會發現這種方式比之前的方式提速了

現在我們的代碼挺不錯，如果數據中出現了新的計算方式，但我們忘記加入字典，那么代碼運行就會報錯：

 

• 行4：注釋掉，相當于我們忘記定義計算方式C

• 可以看到錯誤信息，能讓我們馬上聯想到原因

"一舉兩得，太完美了！"

但是，如果你跟我學習 pandas ，就會知道，pandas 中盡可能避免自己遍歷處理數據。

pandas 的簡潔程度與計算效率不是我們自己遍歷處理可以比得過。

pandas 處理方式真的就完美？

這個例子中，每一種的計算方式的區別僅僅在于后面的系數：

 

這種情況下，其實我們可以先批量把每一行對應的系數取出來，然后直接計算：

 

• 注意執行時間，又提速了

別以為這只是 pandas 把 for 遍歷給你寫了而已，他是基于 numpy 的，而numpy處理時都是基于 c++ 的調用，性能非常快速

這種方式其實也有他的缺點：

1. Series.map 方法的確做了字典取值做的事情，但是在他找不到key時，是不會報錯的。我們需要后續通過判斷 nan 來檢查

2. 有時候計算邏輯沒有這么簡單，比如需要看銷量是否超過同地區的平均值做出不同的計算分支。這時候使用 pandas 的方式就會感覺邏輯被分散(下一節我們來看看這種情況下的處理)

"那么，之前的字典聲明方式，是不是就是這種場景下最通用的方式？"

思考題

用字典聲明對應關系其實已經非常好了，但是如果能在定義函數的地方上直接標記對應關系，那么也挺好：

 

• 不再需要定義字典關系了

怎么可以做到這種效果呢？有興趣的小伙伴不妨試試。