为何pandas apply方法在函数无return语句时返回NaN而非保留原值？附条件转换元素的规范实现方式

这个问题其实涉及到Python函数的默认行为和pandas apply方法的工作逻辑，我来给你拆解清楚：

为什么apply会把无返回值的元素设为NaN？ #

首先，你的scale_positive函数在x <= 0的情况下没有写return语句——而Python里，任何没有显式返回值的函数都会默认返回None。

pandas的apply方法的核心逻辑很直白：对Series里的每一个元素，调用你传入的函数，然后用函数的返回值完全替换原位置的元素。当函数返回None时，pandas会根据Series的类型做转换：如果是数值型Series（比如你例子里的int类型），None会被转成NaN；要是object类型的Series，就会保留None。

所以不是apply“不肯保留原值”，而是它根本不知道你有这个需求——它只执行你给的函数，拿返回值填充结果，你的函数没返回原值，它自然就用NaN/None补上了。

仅对特定元素做条件转换的规范实现方式 #

这里给你几种常用的方法，从简单到高效：

方法1：修正函数，显式返回原值 #

最直接的方式就是给函数补上返回原值的逻辑，确保每个分支都有明确的返回值：

def scale_positive(x):
    if x > 0:
        return x * 10
    return x  # 显式返回不符合条件的原值

s = pd.Series([5, -2, 0, 8, -1])
result = s.apply(scale_positive)
print(result)

运行后就能得到你预期的输出：[50, -2, 0, 80, -1]。

方法2：使用pandas矢量化方法（强烈推荐） #

apply本质是逐元素的Python循环，处理大数据集时效率很低。pandas专门提供了矢量化的条件替换方法，速度快很多：

用mask方法

mask的逻辑是：条件为True时替换元素，False时保留原值，刚好匹配你的需求——当元素>0时替换成x*10，否则不动：

result = s.mask(s > 0, s * 10)

用where方法

where的逻辑和mask相反：条件为True时保留原值，False时替换，所以写法是：

result = s.where(s <= 0, s * 10)

方法3：使用numpy的where #

如果你习惯numpy的语法，也可以用np.where实现，再转成Series：

import numpy as np
result = pd.Series(np.where(s > 0, s * 10, s), index=s.index)

小贴士：如果处理的是大型数据集，优先选方法2或3的矢量化方式，比apply的效率高几个数量级。

内容的提问来源于stack exchange，提问作者Джон Сноу