如何为pandas DataFrame的每行应用不同的可调用对象？

我有三个行数相同的DataFrame：

• input_df：存储输入数据
• param_df：存储计算参数，其中一列包含每行需要应用的可调用函数
• output_df：存储输出数据

以下是最小可复现代码（MWE），其中前5行需应用func_1，后5行应用func_2。我想摆脱笨拙的列表推导，改用map或apply实现逐行调用对应的可调用对象。

import pandas as pd
import numpy as np

def func_1(in_val, a, b):
    return in_val + a + b

def func_2(in_val, a, b):
    return in_val + (2 * (a + b))


input_df = pd.DataFrame(data=[1 for row in range(10)],
                  columns=["GR"])

output_df = pd.DataFrame(data=[np.nan for row in range(10)],
                  columns=["VCLGR"])

param_df = pd.DataFrame(data=[[5, 10] for row in range(10)],
                        columns=["x", "y"])

# 为每行指定对应的调用函数
param_df["method"] = func_1
param_df.loc[5:, "method"] = func_2

# 当前使用的列表推导方式
output_df["VCLGR"] = [param_df["method"][i](input_df["GR"][i], param_df["x"][i], param_df["y"][i]) for i in range(len(input_df))]

方法1：使用pandas.DataFrame.apply（推荐，贴合pandas风格） #

将input_df和param_df合并后，通过apply逐行调用对应函数：

# 合并输入数据与参数表（行数相同，按列拼接）
combined_df = pd.concat([input_df, param_df], axis=1)

# 逐行应用函数
output_df["VCLGR"] = combined_df.apply(
    lambda row: row["method"](row["GR"], row["x"], row["y"]),
    axis=1  # 指定按行处理
)

方法2：使用Python内置map函数 #

利用map可接收多个可迭代对象的特性，将函数列、输入值列、参数列打包后批量调用：

output_df["VCLGR"] = list(map(
    lambda func, gr_val, x_val, y_val: func(gr_val, x_val, y_val),
    param_df["method"],
    input_df["GR"],
    param_df["x"],
    param_df["y"]
))

说明 #

两种方法都避免了手动索引i的繁琐，代码更简洁易读：

• apply是pandas原生的逐行处理方式，适合习惯pandas API的场景；
• map是Python函数式编程工具，执行效率略高（尤其是数据量较大时），但返回的是迭代器，需要用list转换为序列后赋值给DataFrame列。

内容的提问来源于stack exchange，提问作者dg0802