如何遍历Pandas DataFrame并按需生成新列（解决合并重复列问题）

原代码的核心问题是每次循环merge会把原DataFrame和筛选后的df1（包含重复的A/B/Type列）合并，导致系统自动给重复列加_x/_y后缀，越循环列越多。下面是几种更简洁高效的解决方案：

方案1：直接在原DataFrame上生成C、D列（推荐） #

修改函数，让它能接收整行数据，自动读取Type值，然后直接用apply一次性生成两列，完全避免合并操作：

import pandas as pd

df = pd.DataFrame([[1,5,'Dog'],[2,6,'Dog'],[3,7,'Cat'],[4,8,'Cat']],columns=['A','B','Type'])

def ext_fun(row):
    # 直接从行中获取Type、A、B
    type_val = row['Type']
    x1 = row['A']
    x2 = row['B']
    
    if type_val == 'Dog':
        # 替换为Dog对应的实际计算逻辑
        return ['c_dog','d_dog']
    elif type_val == 'Cat':
        # 替换为Cat对应的实际计算逻辑
        return ['c_cat','d_cat']

# 一次性生成C、D列
df[['C','D']] = df.apply(ext_fun, result_type='expand', axis=1)

方案2：按Type分组处理 #

如果不同Type的计算逻辑差异很大，用groupby分组后单独处理，再合并回原DataFrame，不会产生重复列：

def process_group(group):
    type_val = group['Type'].iloc[0]
    # 根据Type执行对应计算
    if type_val == 'Dog':
        group[['C','D']] = group.apply(lambda x: ['c_dog','d_dog'], axis=1, result_type='expand')
    elif type_val == 'Cat':
        group[['C','D']] = group.apply(lambda x: ['c_cat','d_cat'], axis=1, result_type='expand')
    return group

# 分组处理后合并
df = df.groupby('Type').apply(process_group).reset_index(drop=True)

方案3：保留原函数参数形式的改进版 #

如果不想修改原函数的参数结构，可以在apply时直接传递当前行的Type值，避免循环筛选和merge：

def ext_fun(x1,x2,i):
    if i=='Dog':
        return ['c_dog','d_dog']
    if i=='Cat':
        return ['c_cat','d_cat']

# 直接对每行调用函数，传递A、B、Type参数
df[['C','D']] = df.apply(lambda x: ext_fun(x['A'], x['B'], x['Type']), result_type='expand', axis=1)

方案优势 #

• 彻底避免了循环中的merge操作，不会产生重复列
• 代码更简洁，执行效率更高（适配你提到的10-15种Type、数百条记录的场景）
• 逻辑清晰，后续新增Type的计算逻辑时扩展更方便

内容的提问来源于stack exchange，提问作者John