在Pandas DataFrame中应用自定义函数时遇TypeError参数缺失问题的解决求助

你遇到的TypeError: ssc_function() missing 1 required positional argument: 'ssc'错误，核心原因是：当使用df.apply(..., axis=1)时，Pandas会把整行数据作为单个参数传给你的函数，但你的ssc_function需要两个独立的参数(gross_i1和ssc)，参数匹配自然就失败了。

下面给你几种可行的解决方法，还顺便优化了原函数里的逻辑漏洞：

方法1：修改函数接收行对象，提取对应列值 #

把函数改成接收一个行参数，直接从行里取出需要的列值：

import numpy as np
import pandas as pd

def ssc_function(row):
    gross_i1 = row['gross_i1']
    ssc = row['ssc']
    # 补充了默认条件（否则未匹配到的情况会返回NaN）
    conditions = [
        (ssc == 0),
        (gross_i1 <= gross_i1 * 0.10),  # 这里注意：正数的gross_i1永远不满足这个条件，可根据实际需求调整
        True  # 匹配所有其他场景
    ]
    values = [0, gross_i1 * 0.5, gross_i1 * 0.15]
    ssc_estimation = np.select(conditions, values)
    return ssc_estimation

data = {'name': ['Company1', 'Company2', 'Company3', 'Company4', 'Company5'],
        'gross_i1': [0, 180395, 4543168, 7543168, 73],
        'ssc': [4, 24, 31, 2, 3]}
df = pd.DataFrame(data, columns = ['name', 'gross_i1', 'ssc'])

df['NewSSC'] = df.apply(ssc_function, axis=1)
print(df)

方法2：用lambda函数传递指定列作为参数 #

不用修改原函数，而是在apply里用lambda把行的对应列值精准传给函数：

import numpy as np
import pandas as pd

def ssc_function(gross_i1, ssc):
    conditions = [
        (ssc == 0),
        (gross_i1 <= gross_i1 * 0.10),
        True
    ]
    values = [0, gross_i1 * 0.5, gross_i1 * 0.15]
    ssc_estimation = np.select(conditions, values)
    return ssc_estimation

data = {'name': ['Company1', 'Company2', 'Company3', 'Company4', 'Company5'],
        'gross_i1': [0, 180395, 4543168, 7543168, 73],
        'ssc': [4, 24, 31, 2, 3]}
df = pd.DataFrame(data, columns = ['name', 'gross_i1', 'ssc'])

# 用lambda把每行的gross_i1和ssc单独传进函数
df['NewSSC'] = df.apply(lambda row: ssc_function(row['gross_i1'], row['ssc']), axis=1)
print(df)

方法3：直接向量化操作（推荐，效率更高） #

np.select本身支持向量化运算，完全不需要用apply（逐行操作的apply在大数据量下效率很低），可以直接把整列传入计算：

import numpy as np
import pandas as pd

data = {'name': ['Company1', 'Company2', 'Company3', 'Company4', 'Company5'],
        'gross_i1': [0, 180395, 4543168, 7543168, 73],
        'ssc': [4, 24, 31, 2, 3]}
df = pd.DataFrame(data, columns = ['name', 'gross_i1', 'ssc'])

conditions = [
    (df['ssc'] == 0),
    (df['gross_i1'] <= df['gross_i1'] * 0.10),
    True
]
values = [0, df['gross_i1'] * 0.5, df['gross_i1'] * 0.15]
df['NewSSC'] = np.select(conditions, values)
print(df)

另外提一句：你原函数里的第二个条件(gross_i1 <= gross_i1*0.10)，当gross_i1是正数时永远不会成立（比如180395的0.1倍是18039.5，180395肯定大于这个数），只有gross_i1为0或负数时才满足，这大概率不是你想要的逻辑，可以根据实际业务需求调整这个条件（比如改成ssc <= 10之类的）。

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