【Pandas 实战系列】apply()深度解析从 Series 到 DataFrame逐行/逐元素处理全掌握前言为什么apply()是 Pandas 的“灵魂方法”apply()不是简单地“调用函数”而是告诉 pandas把这个函数用在每一个数据单元上。无论是对Series中每个元素进行条件判断对DataFrame每一列/每一行做聚合或转换构造自定义逻辑处理如除零处理apply()都是高效、可读性高的首选工具 一句话总结apply(func)将函数应用到每个元素 / 每一行 / 每一列一、Series 的apply()用法详解1.1 创建初始 Seriesimportpandasaspd# 创建一个 Series先乘以 2spd.Series(data[10,20,30,40,50],index[a,b,c,d,e])ss*2# [20, 40, 60, 80, 100]print(原始 Series)print(s)print(-*50)输出a 20 b 40 c 60 d 80 e 100 dtype: int641.2 自定义处理函数根据数值大小修改deffunc(x):若 x 50则乘以 2否则不变returnx*2ifx50elsex1.3 方法1循环 索引修改不推荐效率低# 备份原数据s1s.copy()foriins1.index:s1[i]func(s1[i])print(方法1循环修改仅用于理解不推荐)print(s1)print(-*50)1.4 方法2apply() 函数对象推荐# 直接传入函数名函数对象s2s.apply(func)print(方法2apply(func) —— 函数对象传入)print(s2)print(-*50)1.5 方法3apply()lambda表达式 适合临时逻辑# 直接在参数中写 lambdas3s.apply(lambdax:x*2ifx50elsex)print(方法3apply(lambda) —— 一行写出逻辑)print(s3)print(-*50)优势简洁、灵活缺点复杂逻辑不推荐用 lambda1.6 方法4apply()带参数函数高级用法deffunc_with_param(x,multiplier1):支持传参方便控制倍率returnx*multiplierifx50elsex# 不传参使用默认值s4s.apply(func_with_param)print( 方法4.1不传参默认 multiplier1\n,s4)# 传参使用 args(2,) 传递额外参数s5s.apply(func_with_param,args(2,))print( 方法4.2传参 multiplier2\n,s5)print(-*50)解析args(2,)元组形式传参注意逗号不能少apply()内部自动调用func_with_param(element, 2)二、DataFrame 的apply()用法精讲2.1 创建初始 DataFramedfpd.DataFrame(data[[60,20],[30,70]],columns[a,b],index[x,y])print( 原始 DataFrame)print(df)print(-*50)输出a b x 60 20 y 30 702.2 逐元素处理4 种主流方法对比方法1循环修改 绝对不要用df1df.copy()foriindf1.index:forjindf1.columns:df1.loc[i,j]func_element(df1.loc[i,j])print( 方法1循环 .loc[]仅用于理解不推荐)print(df1)print(-*50)方法2map() 最佳选择pandas ≥ 2.1.0专为“逐元素”设计不需要apply嵌套性能高写法简洁deffunc_element(x):returnx*2ifx50elsex df2df.copy()result_mapdf2.map(func_element)print( 方法2使用 map()推荐)print(result_map)print(-*50)方法3apply 嵌套 apply()可读性强适合复杂逻辑df3df.copy()result_applydf3.apply(lambdacol:col.apply(func_element))print( 方法3apply 嵌套 apply逻辑清晰)print(result_apply)print(-*50)方法4apply 向量化操作 性能最优用 Pandas 内建向量化方法代替条件判断defprocess_vectorized(series):returnseries.where(series50,series*2)df4df.copy()result_vecdf4.apply(process_vectorized,axis0)print(✨ 方法4apply 向量化处理性能最佳)print(result_vec)print(-*50)优势where()是 NumPy 级别的向量化操作远超 Python 循环三、apply()按行/按列处理核心应用场景示例1按列处理axis0defprocess_col(col):returncol*2# 每列整体乘以 2result_coldf.apply(process_col,axis0)print( 按列处理axis0—— 每列 × 2)print(result_col)print(-*50)示例2按行处理axis1—— 计算a / bdefcompute_ratio(row):returnrow[a]/row[b]result_rowdf.apply(compute_ratio,axis1)print( 按行处理axis1—— 计算 a / b)print(result_row)print(-*50)输出x 3.000000 y 0.428571 dtype: float64进阶将计算结果作为新列添加df_with_ratiodf.copy()df_with_ratio[a_div_b]df_with_ratio.apply(compute_ratio,axis1)print( 将结果作为新列添加)print(df_with_ratio)输出a b a_div_b x 60 20 3.00 y 30 70 0.43四、向量化函数np.vectorize解决 “非向量化逻辑”场景除数为 0 时返回np.nan# 原始数据b 列有 0df_divpd.DataFrame(data[[60,20],[30,0]],columns[a,b],index[x,y])print( 原始 DataFrame含除零)print(df_div)错误做法直接用条件函数会报错defsafe_div(x,y):ify0:returnnp.nanelse:returnx/y# 以下会出错因为 y 是 Series不是标量# safe_div(df_div[a], df_div[b]) # ValueError正确做法使用np.vectorize转换为“向量化函数”# 方法1使用 np.vectorizef_vectorizenp.vectorize(safe_div)result_vecf_vectorize(df_div[a],df_div[b])print( 方法1使用 np.vectorize 生成向量化函数)print(除法结果,result_vec)方法2用装饰器写法更简洁np.vectorizedefsafe_div(x,y):returnnp.nanify0elsex/y result_finalsafe_div(df_div[a],df_div[b])print( 方法2np.vectorize 装饰器写法)print(除法结果,result_final)输出除法结果 [ 3. nan]优势支持任意复杂逻辑兼容if/else缺点性能略低于纯向量运算如where但可接受总结表如何选择正确的方法场景推荐方法说明逐元素处理map(func)最直接pd ≥ 2.1.0 推荐逐元素复杂逻辑apply(lambda s: s.apply(...))可读性强逐元素高性能apply(lambda s: s.where(..., ...))性能最佳按列处理df.apply(func, axis0)用于整列运算按行处理df.apply(func, axis1)传入Series行对象复杂条件含除零np.vectorize(func)解决非向量化逻辑问题如果你觉得这篇内容对你有帮助请✅ 点赞支持✅ 收藏备用✅ 转发给正在学 Pandas 的朋友关注我持续输出Pandas、NumPy、数据清洗、面试题库、实战项目代码