您可以使用numpy assign进行检查

df.values[df.index, np.argmax(df.values==9,1)] = 90 
df
Out[56]: 
   col1  col2  col3  col4
0     5     7    12    90
1     0    90     9     1
2    90     9     1     1
3    10     5     2    90
4    90     3     0    18

使用idxmax的一种方法：

s = df.eq(9).idxmax(axis=1)
s = s.apply(df.columns.get_loc)
df.values[s.index, s.values] = 90

输出：

col1  col2  col3  col4
0     5     7    12    90
1     0    90     9     1
2    90     9     1     1
3    10     5     2    90
4    90     3     0    18

这比原始代码快了大约2.5倍：

%timeit df.mask(df.eq(9) & df.apply(lambda x: ~x.duplicated(), axis=1), 90)
# 2.59 ms ± 80.4 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)

%%timeit    
s = df.eq(9).idxmax(axis=1)
s = s.apply(df.columns.get_loc)
df.copy().values[s.index, s.values] = 90 # Note the copy is to keep the df same over the `timeit`

# 1.07 ms ± 31.4 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)

您可以使用eq + cummax + ^：

x = df.eq(9).cummax(axis=1)
df[x ^ x.shift(axis=1)] = 90

# One-liner:
df[df.eq(9).cummax(axis=1).pipe(lambda x: x ^ x.shift(axis=1))] = 90

输出：

>>> df
   col1  col2  col3  col4
0     5     7    12    90
1     0    90     9     1
2    90     9     1     1
3    10     5     2    90
4    90     3     0    18

下面是另一种方法：

df.mask(df.eq(9)).T.fillna(90,limit=1).T.fillna(9)

更新：
下面是使用rank()的方法

df.mask(df.eq(9).rank(axis=1,method='first',ascending=False).eq(1),90)

这里有一种使用idxmax()的方法

s = df.set_axis(range(df.shape[1]),axis=1).eq(9).idxmax(axis=1)
df.to_numpy()[range(df.shape[0]),s] = 90

或

df.mask(df.eq(9).cumsum(axis=1).eq(1) & df.eq(9),90)

输出：

col1  col2  col3  col4
0   5.0   7.0  12.0  90.0
1   0.0  90.0   9.0   1.0
2  90.0   9.0   1.0   1.0
3  10.0   5.0   2.0  90.0
4  90.0   3.0   0.0  18.0