如何在含NaN值的DataFrame中应用Lambda函数实现行间计算？

你遇到的报错根源很明确：当Q1列出现NaN时，这个值的类型是float，而你的lambda函数里直接尝试迭代这个float类型的NaN，自然会抛出'float' object is not iterable的错误。要解决这个问题，核心思路就是先判断当前行是否为NaN，是则直接保留NaN，否则执行计算逻辑。

修改后的代码实现 #

这里提供两种写法，你可以根据可读性和后续维护需求选择：

1. 内联lambda函数（简洁版）

import pandas as pd
import numpy as np

# 初始化转换表和待计算数据
conversion = [["a",5],["b",1],["c",10]]
conversion_table = pd.DataFrame(conversion,columns=['Variable','Cost'])
data1 = [[1,"2*a+b"],[2,"c"],[3,"2*c"],[4, np.NaN]]
to_solve = pd.DataFrame(data1,columns=['Day','Q1'])

# 创建变量到成本的映射字典
mapping = dict(zip(conversion_table['Variable'], conversion_table['Cost']))

# 新增计算列，处理NaN情况
to_solve['desired output'] = to_solve['Q1'].apply(
    lambda x: np.nan if pd.isna(x) else eval(''.join([str(mapping[i]) if i.isalpha() else i for i in x]))
)

# 查看结果
print(to_solve)

运行后输出的to_solve会完美保留第4行的NaN，其他行计算结果正确：

Day      Q1  desired output
0    1  2*a+b             11.0
1    2      c             10.0
2    3    2*c             20.0
3    4     NaN              NaN

2. 封装独立函数（可读性更高版）

如果你的计算逻辑后续可能扩展，把逻辑封装成单独函数会更易维护和调试：

def compute_cost(expr, mapping):
    # 先判断是否为缺失值
    if pd.isna(expr):
        return np.nan
    # 替换表达式中的变量为对应数值
    replaced_expr = ''.join([str(mapping[i]) if i.isalpha() else i for i in expr])
    # 计算表达式结果
    return eval(replaced_expr)

# 应用函数到Q1列
to_solve['desired output'] = to_solve['Q1'].apply(compute_cost, mapping=mapping)

关键细节说明 #

• 使用pd.isna()而非np.isnan()：前者能兼容更多类型的缺失值（比如None），适配场景更广。
• 关于eval()的注意：如果你的Q1列数据来自不可信的外部来源，eval()存在安全风险（可能执行恶意代码）。如果是自己生成的可控数据，就不用担心这个问题。
• 为什么用apply而非map：map更适合简单的字典映射，而apply支持更复杂的自定义逻辑，处理带条件的场景更灵活。

内容的提问来源于stack exchange，提问作者zob