Как избежать слияния в Pandas

Вы можете использовать это:

df["TP"] = (
    df.sort_values("Loc")  # ensure Offshore comes before Onshore
    .replace("", np.nan)  # replace "" with nan so it can be forward filled
    .groupby(["#PROD", "#CURRENCY"])["TP"]
    .ffill()
    .fillna("")
)

        Loc Country #PROD #CURRENCY       TP
0  Offshore      NY     A       USD  ABC_USD
1   Onshore      BH     A       USD  ABC_USD
2   Onshore      AE     A       USD  ABC_USD
3  Offshore      NY     A       GBP  GBP_ABC
4   Onshore      BH     A       GBP  GBP_ABC
5   Onshore      AE     A       GBP  GBP_ABC
6   Onshore      BH     A       EUR         
7   Onshore      AE     A       EUR         

Вы можете использовать groupby, затем transform, чтобы получить значение first столбца TP, где Loc соответствует Offshore.

Я заранее сортирую DataFrame, чтобы значения Offshore были выше значений Onshore.

Пытаться:

df['TP'] = (
    df.sort_values('Loc')
    .groupby(['#PROD', '#CURRENCY'])['TP']
    .transform('first')
    )
print(df)

Выход:

        Loc Country #PROD #CURRENCY       TP
0  Offshore      NY     A       USD  ABC_USD
1   Onshore      BH     A       USD  ABC_USD
2   Onshore      AE     A       USD  ABC_USD
3  Offshore      NY     A       GBP  GBP_ABC
4   Onshore      BH     A       GBP  GBP_ABC
5   Onshore      AE     A       GBP  GBP_ABC
6   Onshore      BH     A       EUR         
7   Onshore      AE     A       EUR  

Я думаю, что слияние — самый простой и эффективный способ сделать это:

df['TP'] = df[cols].merge(df[df['Loc'].eq('Offshore')], how='left')['TP'].values

Не нужно сортировать, не нужно беспокоиться о том, какие значения присутствуют изначально.

Альтернативно:

cols = ['#PROD', '#CURRENCY']
s = (df[cols].reset_index().merge(df[df['Loc'].eq('Offshore')])
     .set_index('index')['TP']
    )
df.loc[s.index, 'TP'] = s

Выход:

        Loc Country #PROD #CURRENCY       TP
0  Offshore      NY     A       USD  ABC_USD
1   Onshore      BH     A       USD  ABC_USD
2   Onshore      AE     A       USD  ABC_USD
3  Offshore      NY     A       GBP  GBP_ABC
4   Onshore      BH     A       GBP  GBP_ABC
5   Onshore      AE     A       GBP  GBP_ABC
6   Onshore      BH     A       EUR      NaN
7   Onshore      AE     A       EUR      NaN

Общее решение, которое будет работать для любого количества переменных, можно получить, используя что-то вроде этого:

group_variables = ["#PROD", "#CURRENCY"]
target_variable = "TP"
groups = df.groupby(group_variables)
for location, value in groups[target_variable].apply(lambda x: "".join(x)).items():
    condition = pd.concat([df[var].eq(v) for var, v in zip(group_variables, location)], axis=1).all(axis=1)
    df.loc[condition, (target_variable)] = value

Выход:

        Loc Country #PROD #CURRENCY       TP
0  Offshore      NY     A       USD  ABC_USD
1   Onshore      BH     A       USD  ABC_USD
2   Onshore      AE     A       USD  ABC_USD
3  Offshore      NY     A       GBP  GBP_ABC
4   Onshore      BH     A       GBP  GBP_ABC
5   Onshore      AE     A       GBP  GBP_ABC
6   Onshore      BH     A       EUR         
7   Onshore      AE     A       EUR