pandas apply应用

一、基本用法

1. 语法

复制
# 对 DataFrame 使用 apply
DataFrame.apply(func, axis=0)  # axis=0 按列处理，axis=1 按行处理

# 对 Series 使用 apply
Series.apply(func)

2. 核心参数

func: 要应用的函数（可以是内置函数、lambda、自定义函数）

axis:

axis=0（默认）：按列处理（每次传入一列）

axis=1：按行处理（每次传入一行）

args: 向函数传递额外参数的元组

result_type: 控制返回类型（仅对 DataFrame 有效）

二、实际案例

示例数据

import pandas as pd

data = {
    '姓名': ['张三', '李四', '王五'],
    '数学': [85, 92, 78],
    '语文': [88, 90, 85]
}
df = pd.DataFrame(data)

案例1：对列操作（Series）

# 将数学成绩统一加5分
df['数学'] = df['数学'].apply(lambda x: x + 5)

案例2：对行操作（DataFrame）

# 计算每个人的总分（按行处理）
df['总分'] = df.apply(lambda row: row['数学'] + row['语文'], axis=1)

案例3：自定义函数

# 定义成绩等级函数
def get_grade(score):
    if score >= 90:
        return 'A'
    elif score >= 80:
        return 'B'
    else:
        return 'C'

# 应用函数到数学列
df['数学等级'] = df['数学'].apply(get_grade)

案例4：传递额外参数

def adjust_score(score, adjustment):
    return score + adjustment

# 将语文成绩统一加3分
df['语文'] = df['语文'].apply(adjust_score, args=(3,))

三、性能建议

1. 优先使用向量化操作
   能用 df[‘列’] * 2 就不要用 apply（快 100-1000 倍）

2. 复杂逻辑才用 apply
   例如涉及多列判断、字符串处理、外部 API 调用等情况

3. 设置 axis 方向时注意性能
   按行处理（axis=1）通常比按列处理慢,axis=1 的行操作本质是 Python 循环，速度极慢。

四、进阶案例

1. 返回多列结果

def process_row(row):
    return pd.Series({
        '总分': row.sum(),
        '平均分': row.mean()
    })

new_df = df[['数学', '语文']].apply(process_row, axis=1)

1. 结合条件判断

df['评价'] = df.apply(
    lambda x: '优秀' if x['总分'] > 180 else '合格', 
    axis=1
)

1. 处理缺失值

df.apply(lambda x: x.fillna(x.mean()), axis=0)

五、何时必须用 apply？

以下场景仍需使用 apply：

1. 涉及多列的逻辑判断

df.apply(lambda row: row['数学'] + row['语文'] if row['姓名'] != '张三' else 0, axis=1)

1. 调用外部函数/API

df['地址'] = df['经纬度'].apply(get_address_from_api)