如何在Pandas DataFrame各列应用多函数并自定义列名

首先咱们先明确你的需求：你有一个简单的DataFrame，想要为每一列生成两个衍生列——分别是该列值与列均值的乘积、该列值与列极差的乘积，并且新列要带对应原列名的描述性名称，最终输出的列顺序也要和你期望的一致。

先看你给出的原始DataFrame代码：

import pandas as pd
import numpy as np

df0 = pd.DataFrame([[1,2],[3,4],[5,6]], columns=['X','Y'])

你的原代码问题分析 #

你尝试用.agg方法传入自定义函数，但遇到两个问题：

1. 没法传递列名：你的函数里生成的列名是固定的data、Xa、Xb，没办法对应原列的名称（比如X、Y）；
2. 触发ValueError：这是因为.agg方法默认期望函数返回标量或者一维的结果（比如Series），但你的函数返回了一个二维的DataFrame，导致Pandas在对齐索引和列的时候出现了匹配错误，所以抛出了这个异常。

解决方案：两种实现方式 #

方式一：遍历列手动生成衍生列（最直观易控）

这种方式直接遍历每一列，计算所需的均值和极差，然后生成带对应后缀的新列，最后调整列顺序即可：

import pandas as pd
import numpy as np

df0 = pd.DataFrame([[1,2],[3,4],[5,6]], columns=['X','Y'])

# 遍历每一列生成衍生列
for col in df0.columns:
    col_mean = df0[col].mean()
    col_range = df0[col].max() - df0[col].min()
    # 生成带描述性名称的新列
    df0[f'{col}_mean'] = df0[col] * col_mean
    df0[f'{col}_range'] = df0[col] * col_range

# 调整列顺序，匹配你期望的输出格式
df0 = df0[['X', 'X_mean', 'X_range', 'Y', 'Y_mean', 'Y_range']]
print(df0)

运行后就能得到你想要的输出：

X  X_mean  X_range  Y  Y_mean  Y_range
0  1       3        4  2       8        8
1  3       9       12  4      16       16
2  5      15       20  6      24       24

方式二：用apply结合Series实现（贴近你想用聚合类方法的需求）

如果你更倾向于用类似聚合的方式处理，可以用.apply方法，在函数中通过data.name拿到当前列的名称，返回包含原列和衍生列的Series，最后整理结构：

import pandas as pd
import numpy as np

df0 = pd.DataFrame([[1,2],[3,4],[5,6]], columns=['X','Y'])

def process_col(data):
    col_name = data.name
    col_mean = data.mean()
    col_range = data.max() - data.min()
    # 返回包含原列和两个衍生列的Series，索引用带后缀的列名
    return pd.Series({
        col_name: data,
        f'{col_name}_mean': data * col_mean,
        f'{col_name}_range': data * col_range
    })

# 应用函数并整理结构
result = df0.apply(process_col).unstack().reset_index(drop=True).T
# 设置列名和索引
result.columns = ['X', 'X_mean', 'X_range', 'Y', 'Y_mean', 'Y_range']
result.index = [0,1,2]
print(result)

这个方式也能得到和方式一完全一样的结果。

问题根源总结 #

• 关于列名传递：不管是遍历列还是用apply，都能轻松拿到原列的名称（遍历直接取col，apply中用data.name），这样就能生成带描述性的新列名；
• 关于ValueError：避免在.agg中返回二维的DataFrame，改用直接生成列或者返回一维的Series结构，让Pandas能正确处理数据的对齐逻辑。

内容的提问来源于stack exchange，提问作者user7864386