如何使用Pandas的assign方法便捷地对多列执行相同操作？

嘿，我完全懂你的痛点——重复写lambda表达式确实繁琐，还破坏了DRY原则。这里有几个完美适配你需求的方案，既能保持链式调用，又不用写重复代码：

方案1：解包字典推导式（最直接的修正） #

你之前尝试的字典推导式思路是对的，只是.assign()需要的是关键字参数，而非单个字典。只要在字典前面加**解包，就能把字典转换成assign需要的格式：

import pandas as pd
df = pd.DataFrame({'a':[' abc ', 'efg', ' hij'], 'b': [' kkk ', 'eee', 'uuu ']})

# 简洁写法，完全支持链式调用
df_clean = df.assign(**{col: lambda x: x[col].str.strip() for col in ['a', 'b']})

这样不用为每一列重复写lambda，后续还能继续链式调用.query()、.groupby()等方法。

方案2：自动识别所有字符串列（更灵活） #

如果你的需求是处理DataFrame中所有字符串类型的列，不用手动指定列名，可以先筛选出字符串列再批量处理：

# 自动获取所有字符串类型的列
str_columns = df.select_dtypes(include=['object']).columns

# 批量去除首尾空格
df_clean = df.assign(**{col: lambda x: x[col].str.strip() for col in str_columns})

这种方式在列数较多时特别省心，不用逐个列名去罗列。

方案3：结合apply与to_dict #

另一种思路是先用apply对目标列批量处理，再把结果转换成字典传给assign：

df_clean = df.assign(**df[['a', 'b']].apply(lambda s: s.str.strip()).to_dict('series'))

不过这种写法相对第一种稍显冗长，但也是一种可行的替代方案。

为什么你之前的写法会失败？ #

你之前直接把字典传给assign()，但pd.DataFrame.assign()的参数定义是**kwargs——也就是接收多个形如列名=处理逻辑的关键字参数，而非单个字典对象。用**解包字典，就是把字典的键值对转换成一个个关键字参数，这才符合assign的调用要求。

内容的提问来源于stack exchange，提问作者divingTobi