如何用Pandas方法链实现单列/多列的修改操作？

给定如下DataFrame：

import pandas as pd
import numpy as np

df = pd.DataFrame({
    'num_1': [np.nan, 2., 2., 3., 1.],
    'num_2': [9., 6., np.nan, 5., 7.],
    'str_1': ['a', 'b', 'c', 'a', 'd'],
    'str_2': ['C', 'B', 'B', 'D', 'A'],
})

需要执行的操作：

numeric_cols = ['num_1', 'num_2']
str_cols = ['str_1', 'str_2']
df[numeric_cols] = df[numeric_cols].fillna(0.).astype('int')
df[numeric_cols] = df[numeric_cols] * 2
df['str_2'] = df['str_2'].str.lower()
df[str_cols] = df[str_cols].replace({'a': 'z', 'b':'y', 'c': 'x'})

尝试用pipe、assign实现链式操作时遇到三个问题：

• pipe仅隐藏数值列处理逻辑，内部实现无优化
• replace需手动逐个指定列，列多时不便
• 无法将str.lower作为可调用对象传入assign处理单列

规范的方法链实现 #

可以结合assign的字典式赋值、lambda包装和批量列推导，完美解决上述问题，同时保持代码简洁可读：

import pandas as pd
import numpy as np

numeric_cols = ['num_1', 'num_2']
str_cols = ['str_1', 'str_2']
replace_map = {'a': 'z', 'b':'y', 'c': 'x'}

df_chain = (
    df
    # 批量处理数值列：填充NaN→转int→乘2
    .assign(**{col: lambda x, c=col: x[c].fillna(0.).astype('int') * 2 for col in numeric_cols})
    # 单独处理str_2转小写：用lambda包装字符串方法
    .assign(str_2=lambda x: x['str_2'].str.lower())
    # 批量处理字符串列的replace
    .assign(**{col: lambda x, c=col: x[c].replace(replace_map) for col in str_cols})
)

问题解决说明： #

1. 优化数值列处理：
   用字典推导式直接在assign中生成所有数值列的处理逻辑，避免重复索引DataFrame，逻辑清晰且无需额外pipe封装，效率更高。

2. 批量处理replace：
   通过遍历str_cols生成批量赋值逻辑，列再多只需维护列名列表即可，无需逐个写列名。注意用c=col固定循环变量，避免lambda延迟绑定导致的错误。

3. 在assign中使用str.lower：
   用lambda x: x['str_2'].str.lower()包装字符串方法，直接传入assign完成单列修改，解决了无法直接传入str.lower的问题。

更简洁的替代方案 #

如果想进一步简化代码，可以利用assign直接接收DataFrame键值对的特性，省去lambda推导：

df_chain = (
    df
    # 数值列批量处理
    .assign(**df[numeric_cols].fillna(0.).astype('int').mul(2))
    # str_2转小写
    .assign(str_2=lambda x: x['str_2'].str.lower())
    # 字符串列批量replace
    .assign(**df[str_cols].replace(replace_map))
)

这种方式利用Pandas的列子集操作生成临时结果，直接传入assign完成赋值，代码更紧凑直观。

内容的提问来源于stack exchange，提问作者Jonah