使用.loc赋值Pandas apply扩展结果时出现NaN列，[]索引却正常

复现代码 #

基于pandas==2.2.1的完整可复现示例：

import pandas as pd

df = pd.DataFrame({"a":["ABC", "DEF", "GHI"], "b":[1, 2, 3]})

def some_func(param_a: str, param_b: int) -> tuple[str, str]:
    output_a = param_a + " " + str(param_b)
    output_b = param_a.lower() + " " + str(param_b)
    return output_a, output_b

# []索引赋值：正常生成新列
df['new_col1'], df['new_col2'] = zip(*df.apply(lambda x: some_func(x['a'], x['b']), axis=1))
print("[]索引赋值结果：")
print(df)

# .loc赋值：新列全为NaN
df.loc[:, 'new_col3'], df.loc[:, 'new_col4'] = zip(*df.apply(lambda x: some_func(x['a'], x['b']), axis=1))
print("\n.loc赋值结果：")
print(df)

原因说明 #

这不是bug，是Pandas .loc 多列赋值的特性导致的：

• 用zip(*df.apply(...))解包后得到两个独立的迭代器，它们没有绑定DataFrame的索引元数据。
• .loc在同时对多列赋值时，要求右侧数据必须能和目标索引对齐，迭代器无法提供这种对齐依据，最终Pandas无法正确匹配数据，只能填充NaN。
• 而直接用[]索引赋值时，Pandas会自动将迭代器转换为带默认索引的Series，能和原DataFrame索引匹配，因此可以正常赋值。

解决办法 #

方法1：先转DataFrame再赋值 #

把apply的结果转换成DataFrame，再通过.loc一次性赋值：

# 将apply返回的元组序列转为DataFrame
result_df = df.apply(lambda x: pd.Series(some_func(x['a'], x['b'])), axis=1)
# 用.loc批量赋值多列
df.loc[:, ['new_col3', 'new_col4']] = result_df

方法2：拆分单列赋值 #

避免同时操作多列，单独给每列用.loc赋值：

# 将解包结果转为列表，方便索引调用
results = list(zip(*df.apply(lambda x: some_func(x['a'], x['b']), axis=1)))
# 单独为每列赋值
df.loc[:, 'new_col3'] = results[0]
df.loc[:, 'new_col4'] = results[1]

方法3：用assign方法替代（更简洁） #

如果不需要强制使用.loc，assign方法语法清晰且不会出现该问题：

df = df.assign(**dict(zip(['new_col3', 'new_col4'], zip(*df.apply(lambda x: some_func(x['a'], x['b']), axis=1)))))

内容的提问来源于stack exchange，提问作者DLJ