如何基于索引和列，用apply方法填充空DataFrame（无需列表推导式）

已知需求是创建空DataFrame，并用接收单元格索引与列名的函数填充单元格。现有空DataFrame定义如下：

columns = (1, 2, 3)
index =  (1, 3, 5)
def func(i, j):
  return i + j
df = pd.DataFrame(columns=columns, index=index)

初始状态：

1   2   3
1   NaN NaN NaN
3   NaN NaN NaN
5   NaN NaN NaN

是否可以使用类似df.apply( WHAT???? )的方法填充该DataFrame，且无需使用列表推导式？

可以实现，以下是几种基于apply系列方法的解决方案：

方法1：对行应用apply遍历列计算 #

df = df.apply(lambda row: pd.Series(
    [func(col, row.name) for col in df.columns], 
    index=df.columns
), axis=1)

说明：axis=1指定对每一行执行操作，row.name获取当前行的索引值，遍历所有列名调用func(col, 行索引)计算每个单元格的值，再转为Series赋值给该行。

方法2：结合stack+apply+unstack（无嵌套推导） #

如果完全不想用列表推导，可通过重塑DataFrame结构实现：

df = df.stack().apply(lambda x: func(x.name[1], x.name[0])).unstack()

说明：stack()将列转为内层索引，每个单元格的索引变为(行索引, 列名)；apply中通过x.name获取这两个值，传入func计算；最后unstack()还原为原DataFrame结构。

补充：更高效的非apply替代方案 #

如果不局限于apply，直接生成目标DataFrame的效率会更高：

df = pd.DataFrame(
    map(lambda idx: map(lambda col: func(col, idx), columns), index),
    columns=columns, index=index
)

这里用map替代列表推导，同样避免了先创建空DataFrame再填充的步骤。

内容的提问来源于stack exchange，提问作者Tatiana