Pandas apply函数赋值列报ValueError，求逻辑实现修正方案

问题原因分析 #

你遇到的ValueError: Wrong number of items passed 20, placement implies 1，本质是因为你的apply写法有误：在lambda函数里直接引用了整个列（比如df_slice_1['base_total_price']），这会返回一个包含20个元素的Series，但apply逐行处理时，每一行只需要返回单个值，所以才会触发这个错误。

修正方案1：修复apply写法（逐行处理） #

如果坚持要用apply，需要指定axis=1来逐行处理每一行数据，lambda函数接收的是每一行的Series，然后根据条件返回单个值：

# 先筛选base_total_price>0的行
mask_price_gt0 = df['base_total_price'] > 0
df.loc[mask_price_gt0, 'actual_price'] = df[mask_price_gt0].apply(
    lambda row: row['base_total_price'] if row['base_total_discount'] == 0 
    else row['base_total_price'] + row['base_total_discount'],
    axis=1
)

# 再筛选base_total_price=0的行
mask_price_eq0 = df['base_total_price'] == 0
df.loc[mask_price_eq0, 'actual_price'] = df[mask_price_eq0].apply(
    lambda row: row['base_total_discount'] if row['base_total_discount'] > 0 
    else 0,
    axis=1
)

更优方案2：向量化操作（推荐，效率更高） #

apply逐行处理在数据量大时效率很低，Pandas官方更推荐用向量化的条件判断来实现，这种方法性能能提升数倍甚至数十倍，下面提供两种实现方式：

方法A：用numpy.where嵌套实现

import numpy as np

# 处理base_total_price>0的分支逻辑
cond_price_gt0 = df['base_total_price'] > 0
result_price_gt0 = np.where(
    df['base_total_discount'] == 0,
    df['base_total_price'],
    df['base_total_price'] + df['base_total_discount']
)

# 处理base_total_price=0的分支逻辑
cond_price_eq0 = df['base_total_price'] == 0
result_price_eq0 = np.where(
    df['base_total_discount'] > 0,
    df['base_total_discount'],
    0
)

# 合并两个分支的结果到actual_price列
df['actual_price'] = np.where(cond_price_gt0, result_price_gt0, result_price_eq0)

方法B：用pandas.loc分步赋值

# 先初始化actual_price列为0
df['actual_price'] = 0

# 情况1：base_total_price>0且base_total_discount=0
df.loc[(df['base_total_price'] > 0) & (df['base_total_discount'] == 0), 'actual_price'] = df['base_total_price']

# 情况2：base_total_price>0且base_total_discount>0
df.loc[(df['base_total_price'] > 0) & (df['base_total_discount'] > 0), 'actual_price'] = df['base_total_price'] + df['base_total_discount']

# 情况3：base_total_price=0且base_total_discount>0
df.loc[(df['base_total_price'] == 0) & (df['base_total_discount'] > 0), 'actual_price'] = df['base_total_discount']

# 情况4：base_total_price=0且base_total_discount=0，已经初始化为0，无需额外操作

这两种向量化方法都避免了逐行遍历，能充分利用Pandas的底层优化，处理大数据集时优势非常明显。

内容的提问来源于stack exchange，提问作者irum zahra