Pandas中Series与DataFrame的apply()方法行为差异解析

你遇到的核心问题是Pandas里Series和DataFrame的apply()方法设计逻辑不同：

• 对DataFrame调用apply(np.max)时，返回每列的最大值；
• 对Series调用apply(np.max)时，却返回原Series，而非预期的整个Series的最大值。

复现代码及输出 #

import pandas as pd
import numpy as np   

my_df = pd.DataFrame(np.random.randint(10, size=(4,3)), columns = list('ABC'))
my_df

Output:

A   B   C
0   2   4   7
1   9   6   6
2   4   4   8
3   8   8   1

df_max = my_df.apply(np.max)
df_max

Output:

A    9
B    8
C    8
dtype: int32

se_max = my_df['A'].apply(np.max)
se_max

Output:

0    2
1    9
2    4
3    8
Name: A, dtype: int32

原因解析 #

1. DataFrame的apply()：按轴批量处理
   DataFrame是二维结构，apply()默认按**列（axis=0）**作为处理单元，会把每一列（一个Series对象）传入np.max()函数。np.max()接收Series时会计算该列的最大值，最终将所有列的最大值组合成新Series返回。

2. Series的apply()：逐元素处理
   Series是一维结构，apply()默认会把函数作用于每个单独元素。传入np.max时，它会把每个数值（比如2、9、4、8）分别传入np.max，而np.max处理单个数值时返回的就是数值本身，所以结果和原Series完全一致。

如何在Series上通过apply获取整体最大值 #

如果非要用apply()实现类似series.max()的效果，可以用lambda函数包裹，让函数作用于整个Series：

se_max = my_df['A'].apply(lambda _: np.max(my_df['A']))
# 更简洁的方式是直接调用Series的max方法
se_max = my_df['A'].max()

内容的提问来源于stack exchange，提问作者sreekanth