我的知识记录

Python pandas apply自定义函数教程

用apply、applymap、map给DataFrame逐行逐列跑自定义逻辑，结合lambda和多分支判断，处理复杂业务规则比向量化表达式更直观。

场景痛点

pandas内置函数能解决80%的问题，但剩下20%业务规则比如"满1万打9折、满5万打8折、还要区分新老客户"，写成向量化表达式又长又难读。用apply把逻辑写成普通Python函数，逐行跑一遍，可读性好，调试也方便。

用到的库

pip install pandas

完整代码

import pandas as pd

def sample_df():
return pd.DataFrame({
"customer": ["新客户", "老客户", "新客户", "老客户"],
"amount":   [8000, 60000, 12000, 3000],
"level":    ["普通", "VIP", "普通", "VIP"],
})

def calc_discount(row):
"""逐行计算折扣：业务规则复杂时用apply最清晰"""
amount = row["amount"]
if row["customer"] == "老客户" and row["level"] == "VIP":
return amount * 0.8
if amount >= 50000:
return amount * 0.85
if amount >= 10000:
return amount * 0.9
return amount

def apply_demo():
df = sample_df()

# 1. 逐行应用函数，axis=1
df["final_amount"] = df.apply(calc_discount, axis=1)

# 2. 用lambda简化简单逻辑
df["tag"] = df["amount"].apply(lambda x: "大额" if x >= 10000 else "小额")

# 3. 多列输入：函数接收整个row，可同时读多列
df["level_tag"] = df.apply(
lambda r: f"{r['customer']}-{r['level']}", axis=1
)

print(df)
return df

if __name__ == "__main__":
apply_demo()

代码讲解

  • df.apply(func, axis=1) 逐行调用func，func接收一行（Series），返回一个值，结果拼成新列。axis=0 是逐列。
  • df["col"].apply(func) 只对这一列逐元素调用，最常用，比 df.apply 性能好。
  • lambda适合一两行逻辑，复杂规则单独def一个函数，可读性高很多。
  • apply内部拿到的row是Series，可以 row["字段名"] 访问任意列，做多字段联动计算很方便。

运行结果

控制台打印处理后的DataFrame：final_amount按折扣规则计算，tag按金额大小分大小额，level_tag把客户类型和等级拼起来。例如老客户VIP且60000元，final_amount=48000。

注意事项

  • apply本质是Python级别的for循环，十万行以上会慢，能用向量化（如 np.where、pd.cut）就别用apply。
  • apply里不要做IO（读写文件、调网络），每一行都触发一次IO会慢到怀疑人生。
  • 函数里如果要用到外部变量，用闭包或functools.partial传参，避免全局变量副作用。
  • 调试时先把函数单独在一行上跑通，再apply到整列，别直接apply后看报错。

Python pandas apply自定义函数教程

标签：

更新时间：2026-09-14 20:58:19

上一篇：Python pandas数据类型转换astype详解

下一篇：Python处理异常值outliers检测与处理教程

转载请注明原文链接：https://www.muzicopy.com/suibi/48889.html

关注热点