如何用Python Lambda函数计算DataFrame的1%风险价值（VaR）

首先确保已经导入scipy.stats.norm模块，因为要用到其中的norm.ppf函数计算分位数。

方法一：用lambda函数结合apply处理每一列 #

针对你的DataFrame结构（行是Return和Vol，列是各迭代项），可以通过apply遍历每一列，用lambda函数提取对应列的Return和Vol值传入计算：

import pandas as pd
from scipy.stats import norm

# 构造示例DataFrame
data = {
    'Iter1': [0.04, 0.01],
    'Iter2': [0.05, 0.02],
    'Iter3': [0.06, 0.04],
    'Iter4': [0.07, 0.05],
    'Iter5': [0.08, 0.07],
    'Iter6': [0.09, 0.08],
    'Iter7': [0.10, 0.10],
    'Iter8': [0.10, 0.11],
    'Iter9': [0.10, 0.13],
    'Iter10': [0.11, 0.14]
}
df = pd.DataFrame(data, index=['Return', 'Vol'])

# 计算VaR并添加为新行
var_results = df.apply(lambda col: norm.ppf(0.01, col['Return'], col['Vol']))
df.loc['Var01'] = var_results

这里apply会逐个处理每一列，lambda函数中的col就是当前列的Series，通过col['Return']和col['Vol']获取对应的均值和标准差，代入公式得到1% VaR。

方法二：向量运算（更高效） #

norm.ppf支持直接传入数组参数，所以可以直接提取Return和Vol两行的数值，一次性完成所有列的计算，比lambda+apply更高效：

df.loc['Var01'] = norm.ppf(0.01, df.loc['Return'], df.loc['Vol'])

运行上述任意一种方法后，你的DataFrame就会新增一行Var01，对应每一列的1%风险价值计算结果。

内容的提问来源于stack exchange，提问作者wayner