如何为DataFrame指定索引选择性应用computeLeft函数

场景1：指定行的位置索引（从0开始的序号） #

如果[2, 5, 7, 8, 10]是DataFrame的行位置（比如第3行、第6行的位置序号），可以按以下步骤实现：

1. 先初始化结果列为NaN：

import numpy as np
import pandas as pd

results = ["val1", "val2", "val3", "val4"]
# 给所有行的结果列赋初始值NaN
df[results] = np.nan

2. 针对指定位置计算并赋值：

target_positions = [2, 5, 7, 8, 10]
# 对指定位置的索引调用computeLeft
computed_values = np.vectorize(computeLeft, signature="()->(4)")(target_positions)
# 将计算结果赋值到对应行
df.loc[df.index[target_positions], results] = computed_values

场景2：指定行的索引标签 #

如果[2, 5, 7, 8, 10]是DataFrame的实际索引标签（比如df的索引就是这类数值），分两种情况处理：

情况A：computeLeft接收的是行位置序号 #

需要先把索引标签转换成对应的行位置：

import numpy as np
import pandas as pd

results = ["val1", "val2", "val3", "val4"]
df[results] = np.nan

target_labels = [2, 5, 7, 8, 10]
# 获取标签对应的行位置
positions = df.index.get_indexer(target_labels)
# 计算对应值
computed_values = np.vectorize(computeLeft, signature="()->(4)")(positions)
# 赋值到对应标签的行
df.loc[target_labels, results] = computed_values

情况B：computeLeft接收的是索引标签（而非行位置） #

直接用标签调用函数即可：

import numpy as np
import pandas as pd

results = ["val1", "val2", "val3", "val4"]
df[results] = np.nan

target_labels = [2, 5, 7, 8, 10]
computed_values = np.vectorize(computeLeft, signature="()->(4)")(target_labels)
df.loc[target_labels, results] = computed_values

注意事项 #

• 用np.nan初始化会让结果列变为浮点类型，若需保留整数类型，可改用pd.NA（需pandas 1.0及以上版本）。
• 上述方案延续了你原代码中np.vectorize的使用逻辑，确保计算逻辑和格式的一致性。

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