如何以最Pythonic方式实现Pandas指定列行聚合并修复空序列报错

问题根源在于使用了Python内置的max()/min()等函数，这类函数在处理全NaN序列（dropna后变为空序列）时会抛出ValueError。而Pandas的Series/DataFrame原生聚合方法已经内置了完善的NaN处理逻辑：自动跳过NaN，且全NaN行返回NaN而非报错。

正确的Pythonic实现 #

直接封装Pandas原生的行聚合逻辑，无需手动处理NaN：

import pandas as pd
import numpy as np

def row_aggregate(df, cols, agg_method):
    # 验证聚合方法合法性
    valid_methods = {'sum', 'min', 'max', 'mean', 'median', 'std', 'var'}
    if agg_method not in valid_methods:
        raise ValueError(f"不支持的聚合方法，可选值：{valid_methods}")
    
    # 对指定列执行行聚合，axis=1表示按行计算
    return df[cols].agg(agg_method, axis=1, skipna=True)

测试示例 #

# 创建含全NaN行的测试数据
data = {
    'A': [1, np.nan, 3, np.nan],
    'B': [2, np.nan, np.nan, np.nan],
    'C': [3, 4, np.nan, np.nan]
}
df = pd.DataFrame(data)

# 测试max聚合
print(row_aggregate(df, ['A', 'B', 'C'], 'max'))
# 输出：
# 0    3.0
# 1    4.0
# 2    3.0
# 3    NaN
# dtype: float64

方案优势 #

• Pythonic风格：充分利用Pandas向量化操作，避免低效的逐行lambda遍历
• 内置NaN处理：skipna=True（默认值）自动跳过NaN，全NaN行返回NaN，无报错
• 扩展性强：支持Pandas所有合法行聚合方法，无需额外修改
• 性能更优：Pandas原生方法基于C实现，远快于Python层面的循环或内置函数调用

如果有特殊定制需求必须手动实现聚合逻辑，可增加空序列判断兜底：

def custom_row_max(df, cols):
    def agg_func(row):
        values = row[cols].dropna().values
        return values.max() if len(values) > 0 else np.nan
    return df.apply(agg_func, axis=1)

但这种方式性能远不如原生方法，仅适用于特殊场景。

内容的提问来源于stack exchange，提问作者Ruud Kapteijn