Создайте новые столбцы в фрейме данных со значениями из других столбцов в зависимости от условия

Вы можете использовать собственный groupby.apply с переименованием и переиндексацией:

# dictionary to define the mappings per group
dic = {'A': {'Price5': 'newcol1', 'Price2': 'newcol2'},
       'B': {'Price3': 'newcol1', 'Price4': 'newcol2'},
       'C': {'Price5': 'newcol1', 'Price2': 'newcol2'},
       'D': {'Price1' :'newcol1', 'Price2': 'newcol2'},
       }

def f(g):
    # for each group, rename and select the columns
    d = dic.get(g.name, {})
    return (g.rename(columns=d)
             .reindex(columns=d.values())
           )

# apply the function per group
out = df.groupby('Type').apply(f).reset_index(0)

Выход:

  Type  newcol1  newcol2
0    A      2.0      1.0
1    A      2.0      3.0
2    B      4.0      5.0
3    B      6.0      7.0
4    C      1.0      2.0
5    C      3.0      4.0
6    D      1.0      8.0
7    D      9.0      6.0

Вы можете использовать лямбда-функцию:

df['newCol1'] = df.apply(lambda x: x.Price5 if x.Type == 'A' else (x.Price3 if x.Type == 'B' else (x.Price5 if x.Type == 'C' else (x.Price1 if x.Type=='D' else 'NaN'))), axis=1)
df['newCol2'] = df.apply(lambda x: x.Price2 if x.Type == 'A' else (x.Price4 if x.Type == 'B' else (x.Price2 if x.Type == 'C' else (x.Price2 if x.Type=='D' else 'NA'))), axis=1)

Вы можете использовать np.select().

Сначала определите желаемое сопоставление. Я использую фрейм данных:

mapping = pd.DataFrame.from_dict(
    {
        'A': {'newcol1': 'Price5', 'newcol2': 'Price2'},
        'B': {'newcol1': 'Price3', 'newcol2': 'Price4'},
        'C': {'newcol1': 'Price5', 'newcol2': 'Price2'},
        'D': {'newcol1': 'Price1', 'newcol2': 'Price2'}},
    orient='index')

  newcol1 newcol2
A  Price5  Price2
B  Price3  Price4
C  Price5  Price2
D  Price1  Price2

Затем создайте список условий:

cond = [df['Type'].eq(k) for k in mapping.index]

Наконец, используйте np.select():

# For this demo, I'm outputting to a new dataframe:
df_out = df['Type'].to_frame()

for new_col in mapping.columns:
    df_out[new_col] = np.select(
        cond,
        [df[old_col] for old_col in mapping[new_col]]
    ).astype('int')

  Type  newcol1  newcol2
0    A        2        1
1    A        2        3
2    B        4        5
3    B        6        7
4    C        1        2
5    C        3        4
6    D        1        8
7    D        9        6

P.S. pd.Series.case_when() действительно похож на np.select(), но предназначен для замены значений, поэтому я бы не стал использовать его здесь, если только вы не считаете один из old_col значением по умолчанию для каждого new_col.