Сопоставление строки и столбца с числовыми условиями без итерации

Возможное решение, которое:

• Создает двумерный массив numpy с нужными индексами (он вычитает 1, чтобы привести имена столбцов в соответствие с индексами столбцов).
• Создает логическую маску для выбора нужных элементов df.
• Присваивает 0 нужным элементам df.

Кадр данных cond был создан следующим образом:

cond = pd.DataFrame({
    '0':    [[3, 4]],
    '1':       [[2]]

})

cond = cond.T

Решение:

indices = cond.explode(0).reset_index().astype(int).values - 1
mask = np.full(df.shape, False)
mask[indices[:, 0] + 1, indices[:, 1]] = True
df.values[mask] = 0

Выход:

          1         2       3         4
0  0.275464  0.275404  0.0000  0.000000
1  0.275464  0.000000  0.2782  0.273485

Используйте MultiLabelBinarizer для маски и установите 0 для 1 значений:

np.random.seed(2023)

df = pd.DataFrame(np.random.random(size=(2,6)))
print (df)
          0         1         2         3         4         5
0  0.321988  0.890422  0.588052  0.126596  0.141341  0.467896
1  0.022090  0.727275  0.524387  0.544935  0.456373  0.501382

condition = pd.Series([[3,4],[2]])

from sklearn.preprocessing import MultiLabelBinarizer

mlb = MultiLabelBinarizer()
mask = pd.DataFrame(mlb.fit_transform(condition),columns=mlb.classes_).eq(1)
print (mask)
       2      3      4
0  False   True   True
1   True  False  False

df[mask] = 0
print (df)
          0         1         2         3         4         5
0  0.321988  0.890422  0.588052  0.000000  0.000000  0.467896
1  0.022090  0.727275  0.000000  0.544935  0.456373  0.501382

Вы также можете сделать это следующим образом:

condition = [[3,4],[2]]

rows = []
cols = []
for i, items in enumerate(condition):
    rows.extend([i]*len(items))
    cols.extend(items)
    
df2.values[rows, cols] = 0

Вы также можете сделать это следующим образом:

condition = [[3,4],[2]]
condition_flatten = pd.Series(condition).explode().astype(int)
rows = condition_flatten.index
cols = condition_flatten.values
df2.values[rows, cols] = 0