sql中的case when的功能是实现单列或者多列的条件统计，其实Pandas也可以实现的，比如万能的apply方法，就是写起来复杂一些，没有sql case when那么直观。

apply方法可以对dataframe、series执行特定函数，其实很强大，因为python什么逻辑都可以写。

举个例子，一张考试成绩的表scores，有语文和数学的得分，现在给考生综合打分，两门都在90以上打A，都在80-90之间打B，其他则打C。

这里如果用sql来查询的话，使用case when就很简单明了。

SELECT *,
        CASE
            WHEN chinese_score >= 90AND math_score >= 90THEN'A'
            WHEN chinese_score >= 80AND math_score >= 80THEN'B'
            ELSE'C'
        ENDAS score_type
    FROM scores

如果用pandas apply方法来实现的话，需要自定义一个判断函数，用来对成绩进行分类。

然后用apply方法应用到dataframe上，以下是完整代码，可以放到本地电脑跑。

import pandas as pd
# 示例数据
data = {
    'chinese_score': [90, 80, 79, 100, 89],
    'math_score': [91, 95, 79, 99, 89],
}
df = pd.DataFrame(data)

# 定义条件判断函数
def check_conditions(row):
    # 条件1：年龄>30，分数>80，性别为男性
    result = 'A'if (row['chinese_score'] >= 90) and (row['math_score'] >= 90) \
            else'B'if (row['chinese_score'] >= 80) and (row['math_score'] >= 80) \
            else'C'
    return result

# 应用apply生成标记列
score_type_1 = df.apply(check_conditions, axis=1)

score_type_1

逻辑也很简单，判断函数实现多列的判断条件，apply将该判断函数应用到数据集上，就能实现类似sql case when的功能。

apply的应用场景很多，远比你想象的多得多，比如一张学生成绩信息的表，它可以给每位学生通过deepseek制定个性化的提升建议。

除了pandas apply能实现case when的功能外，numpy的select方法也能搞定，而且更为通用、简洁，建议试试。

import numpy as np
import pandas as pd
# 示例数据
data = {
    'chinese_score': [90, 80, 79, 100, 89],
    'math_score': [91, 95, 79, 99, 89],
}
df = pd.DataFrame(data)

# 定义条件和对应的值
conditions = [
 (df['chinese_score'] >= 90) & (df['math_score'] >= 90),
 (df['chinese_score'] >= 80) & (df['math_score'] >= 80)
]
choices = ['A', 'B']

# select方法
score_type_1 = np.select(conditions, choices, default='C')
score_type_1

numpy select方法类似case when语法，通过一个多列条件判断，区分不同的分类。

除了这两种，其实pandas种还有不少能实现的途径，但没必要尝试，因为这两种相对通用便捷，且符合python哲学。