如何高效在Pandas DataFrame各行应用函数并将返回值转为列？

需求场景 #

需要将一个返回字典的函数应用到Pandas DataFrame的每一行，把字典中的键作为新列名、值作为对应列的内容，合并到原DataFrame中。示例代码如下：

import pandas as pd
def fu(myArg):
    return {"one":myArg,"two":20}
li = [10,20]
df = pd.DataFrame(li,columns=["myArg"])

期望输出结果：

myArg  one  two
0      10   10   20
1      20   20   20

高效实现方法 #

方法一：apply结合pd.Series快速扩展列

利用apply将函数作用于目标列的每个元素，把返回的字典转为pd.Series生成新的DataFrame，再通过join合并到原DataFrame：

# 生成函数返回结果的DataFrame
func_result = df['myArg'].apply(lambda x: pd.Series(fu(x)))
# 合并原DataFrame和结果DataFrame
result_df = df.join(func_result)

这种方法简洁直观，适合函数仅依赖单个列的场景。

方法二：针对整行数据的函数应用

如果函数需要使用整行的多个字段作为参数，可指定apply的axis=1参数作用于每行，再转为pd.Series：

# 修改函数以接收整行数据
def fu_row(row):
    return {"one": row['myArg'], "two": 20}

# 应用函数并合并结果
func_result = df.apply(fu_row, axis=1).apply(pd.Series)
result_df = df.join(func_result)

方法三：矢量化操作优化性能

如果函数逻辑可以拆解为Pandas矢量化操作，完全可以避免逐行处理，性能会大幅提升。比如示例中one列等于myArg，two列是固定值20，直接赋值即可：

result_df = df.copy()
result_df['one'] = result_df['myArg']
result_df['two'] = 20

这种方式是Pandas中性能最优的方案，适合有固定逻辑或可矢量化的场景。

内容的提问来源于stack exchange，提问作者Fredrik Nylén