我们有许多技巧(套路)来简化这一过程。我会一连几篇文章，从简单到复杂，教你如何理解和应用这些技巧。

动态调用不同的函数

先看数据：

 

• 列[计算方式]，决定了列[调整]的计算结果

每一种计算方式如下：

 

看过我之前文章【为什么你总是学不会Python，入门Python的4大陷阱ython，因为你全掉坑了】的小伙伴已经学聪明了，为每一种计算单独定义了函数：

 

但是，该怎么调用这些函数呢？

"很简单呀，判断，然后调用"：

 

• 行9：为了防止出现遗漏的计算方式

这看起来不错，但是，每新增一种方式，就要在这里追加一个判断，一旦分支很多，这里的代码就会非常冗长：

 

为什么我一直让每一块代码尽可能简短？

因为我们每次处理一个独立小问题会比处理大问题要高效得多，大问题意味着涉及很多小问题。同时解决多个小问题，会让我们的大脑短路。

单独声明映射关系

如果我们可以这样子定义计算方式与函数的关系，那就很舒服了：

 

"这看着有点眼熟，不就是字典吗？"

对，字典就是用来表达这种一对一关系的最佳结构。

你可以把字典当作是一个过目不忘(死记硬背)的记忆高手，只要他过一遍数据之后，你给他一个 key 值，他能马上找出对应的 value 值给你。

于是，我们可以把计算方式与定义的每个函数给他记忆：

 

接下来，真正处理每一行数据的时候，只需要让他(字典)取出函数，然后调用即可：

 

• 行2-4：特别要注意，字典的 value 我们只是给了函数名字，千万别在后面加括号，括号是表示执行函数。现在我们不需要执行函数呢

• 调用的时候，别忘记给函数传入需要计算的指标

• 不仅代码简单了，如果你有留意左下角的运行时间，你会发现这种方式比之前的方式提速了

现在我们的代码挺不错，如果数据中出现了新的计算方式，但我们忘记加入字典，那么代码运行就会报错：

 

• 行4：注释掉，相当于我们忘记定义计算方式C

• 可以看到错误信息，能让我们马上联想到原因

"一举两得，太完美了！"

但是，如果你跟我学习 pandas ，就会知道，pandas 中尽可能避免自己遍历处理数据。

pandas 的简洁程度与计算效率不是我们自己遍历处理可以比得过。

pandas 处理方式真的就完美？

这个例子中，每一种的计算方式的区别仅仅在于后面的系数：

 

这种情况下，其实我们可以先批量把每一行对应的系数取出来，然后直接计算：

 

• 注意执行时间，又提速了

别以为这只是 pandas 把 for 遍历给你写了而已，他是基于 numpy 的，而numpy处理时都是基于 c++ 的调用，性能非常快速

这种方式其实也有他的缺点：

1. Series.map 方法的确做了字典取值做的事情，但是在他找不到key时，是不会报错的。我们需要后续通过判断 nan 来检查

2. 有时候计算逻辑没有这么简单，比如需要看销量是否超过同地区的平均值做出不同的计算分支。这时候使用 pandas 的方式就会感觉逻辑被分散(下一节我们来看看这种情况下的处理)

"那么，之前的字典声明方式，是不是就是这种场景下最通用的方式？"

思考题

用字典声明对应关系其实已经非常好了，但是如果能在定义函数的地方上直接标记对应关系，那么也挺好：

 

• 不再需要定义字典关系了

怎么可以做到这种效果呢？有兴趣的小伙伴不妨试试。