如何为Pandas DataFrame每行应用自定义函数并按列追加结果？

需求 #

• 自定义函数需使用目标DataFrame（df1）某一列的值
• 函数需引用另一个DataFrame（df2）的数据进行计算
• 将计算结果按列追加到df1中

示例数据 #

import pandas as pd
from IPython.display import display

df1 = pd.DataFrame([1, 2, 3], columns=["x"])
df2 = pd.DataFrame({"set1": [0, 0, 0, 0], "set2": [100, 200, 300, 400]})

display(df1, df2)

自定义函数 #

先修正函数参数，使其适配逐行处理逻辑（接收单个x值）：

def myfunc(df2, x):
    # 自定义计算逻辑
    ans = df2["set1"] + df2["set2"] * x
    return ans

期望输出 #

一行代码实现方案 #

方案1：apply结合concat #

通过df1["x"].apply()逐行传入x值，将返回结果转为DataFrame并重命名列后，与原df1合并：

df1 = pd.concat([df1, df1["x"].apply(lambda val: myfunc(df2, val)).rename(lambda idx: f"run{idx+1}")], axis=1)

方案2：向量化广播（高效优先） #

利用Pandas广播特性直接完成批量计算，避免逐行循环，处理大规模数据时效率更高：

df1 = pd.concat([df1, (df2["set1"] + df2["set2"].values[:, None] * df1["x"].values).T.add_prefix("run")], axis=1)

两种方案均可得到目标结果，根据数据规模选择即可。

内容的提问来源于stack exchange，提问作者a11