如何在Pandas中以某一列作为参数将函数应用到其他所有列

别担心，这种场景在Pandas里其实有很优雅的解决方式，完全不用纠结zip操作～下面给你几种简洁高效的实现思路：

方法1：用df.apply(axis=1)逐行处理（逻辑复杂首选） #

这种方式最直观，适合逻辑没法直接转成列运算的自定义函数。我们可以逐行遍历DataFrame，对每行的目标列（B、C）应用函数，同时调用该行的A列值。

举个具体例子，假设你的自定义函数是把B/C列的值乘以对应行的A列数值，代码如下：

import pandas as pd

# 构造你给出的示例DataFrame
df = pd.DataFrame({
    'A': [4, 7],
    'B': [0.3, 0.2],
    'C': [0.5, 0.6]
})

# 定义自定义函数
def process_row(row):
    a_val = row['A']
    # 对B、C列执行计算逻辑
    row['B'] = row['B'] * a_val
    row['C'] = row['C'] * a_val
    return row

# 应用函数，只更新B、C列
df[['B', 'C']] = df.apply(process_row, axis=1)[['B', 'C']]

运行后结果会变成：

如果只需要处理单个列（比如单独处理B列），也可以针对性写逻辑：

def process_single_col(col_val, a_val):
    return col_val * a_val

df['B'] = df.apply(lambda row: process_single_col(row['B'], row['A']), axis=1)

方法2：向量化列运算（性能最优） #

如果你的自定义函数可以转化为向量化操作，一定要优先用这种方法——尤其是数据量很大的时候，性能比逐行apply好太多。

还是用刚才的乘法例子，一行代码就能搞定：

df[['B', 'C']] = df[['B', 'C']].mul(df['A'], axis=0)

Pandas会自动把A列的数值和B、C列的每行对应匹配运算，完全不用手动循环。

方法3：用df.assign()保留原列（不想修改原数据时用） #

如果你不想直接覆盖原有的B、C列，而是生成新的处理后列，可以用assign方法：

df = df.assign(
    B_processed=lambda x: x['B'] * x['A'],
    C_processed=lambda x: x['C'] * x['A']
)

这样原列会被保留，同时新增B_processed和C_processed列。

小总结 #

• 逻辑复杂的自定义函数：选apply(axis=1)，灵活度最高；
• 能转成列运算的逻辑：优先用向量化操作，性能拉满；
• 需要保留原数据：用assign生成新列更清晰。

再也不用纠结zip啦😉

内容的提问来源于stack exchange，提问作者spider