如何在pandas的df.apply()中为多列批量赋值且不遍历card_id

针对你需要将card_id和score_id列中用|分隔的对应值批量赋值到card_{card}列的需求，以下是两种无需手动遍历card编号的实现方法：

方法1：利用apply返回Series自动生成列 #

这种方法通过apply处理每行数据，将拆分后的card和score转换为Series，apply会自动将所有行的Series合并为新列：

# 合并生成的新列到原DataFrame
df = df.join(
    df.apply(
        lambda row: pd.Series(
            dict(zip(
                [f'card_{c}' for c in row['card_id'].split('|')],
                row['score_id'].split('|')
            ))
        ),
        axis=1
    )
)

原理说明 #

• 对每行拆分card_id和score_id，用zip配对生成card_{card}: score的字典
• 将字典转为pd.Series，apply会将所有行的Series拼接成一个新的DataFrame
• 通过join将新列合并到原DataFrame中，自动补全未匹配到的card为NaN

方法2：矢量化操作（更适合大数据量） #

利用explode和pivot完成转换，全程矢量化处理，避免逐行操作的性能损耗：

# 拆分card和score列并爆炸为单行对应单个card-score对
exploded_df = df.assign(
    card=df['card_id'].str.split('|'),
    score=df['score_id'].str.split('|')
).explode(['card', 'score'])

# 透视转换为宽表，并重命名列
pivoted_df = exploded_df.pivot(
    index=exploded_df.index,
    columns='card',
    values='score'
).rename(columns=lambda c: f'card_{c}')

# 合并回原DataFrame
df = df.join(pivoted_df)

原理说明 #

• assign+explode将每行的多组card-score拆分为单独行
• pivot将长表转回宽表，自动生成所有存在的card_{card}列
• 最后通过join合并，保留原数据的同时添加新列

原代码问题说明 #

你最初的apply写法存在语法错误：lambda表达式中不能直接进行赋值操作，且生成器表达式无法完成预期的赋值逻辑。上述两种方法均规避了这个问题，且无需手动遍历card编号。

内容的提问来源于stack exchange，提问作者Любовь Пономарева