如何使用Pandas Style按行/索引格式化DataFrame数据？

没问题！我刚好解决过类似的需求——Pandas Styler的format方法确实更偏向列级格式化，但要实现按行/索引定制格式，我们可以用Styler.apply配合自定义函数来搞定，这才是行级格式化的正确打开方式。

核心思路 #

Styler.apply方法允许我们传入一个自定义函数，并通过设置axis=1指定按行处理。这个函数会接收每一行的Series对象，我们可以根据行索引（row.name）或者行内的数值，返回对应行每个单元格的格式化字符串，从而实现每行不同的显示规则。

完整示例代码 #

假设我们的需求是：

• 行0：显示为两位小数的百分比
• 行1：显示为整数（四舍五入）
• 行2：显示为一位小数的倍数（如12.5x）
• 行3：显示为保留一位小数的浮点数
• 其余行：默认两位小数百分比

代码实现如下：

import pandas as pd
import numpy as np

# 构造测试数据
data = pd.DataFrame(np.random.randn(5, 3), columns=list('ABC'))

# 定义按行格式化的函数
def format_row(row):
    # 根据行索引判断格式规则
    match row.name:
        case 0:
            # 行0：两位小数百分比
            return ['{:.2%}'.format(x) for x in row]
        case 1:
            # 行1：整数格式
            return ['{:.0f}'.format(x) for x in row]
        case 2:
            # 行2：一位小数+后缀x
            return ['{:.1f}x'.format(x) for x in row]
        case 3:
            # 行3：保留一位小数的浮点数
            return ['{:.1f}'.format(x) for x in row]
        case _:
            # 默认规则：两位小数百分比
            return ['{:.2%}'.format(x) for x in row]

# 应用行级格式化，同时保留你原来的背景色设置
def row_background(x):
    return 'background-color: red'

# 组合格式和样式
styled_data = data.style.apply(format_row, axis=1)\
                        .applymap(row_background, subset=pd.IndexSlice[2, :])

# 查看结果（在Jupyter环境中会直接渲染）
styled_data

关键细节解释 #

1. axis=1的作用：告诉apply方法我们要按行处理数据，函数会依次接收每一行的Series。
2. row.name获取行索引：通过行索引判断当前需要应用哪种格式规则，如果你需要根据行内的数值判断（比如某行的A列大于0就用整数格式），可以修改判断逻辑：

   def format_row(row):
       if row['A'] > 0:
           return ['{:.0f}'.format(x) for x in row]
       else:
           return ['{:.2%}'.format(x) for x in row]
   

3. 叠加其他样式：你可以继续叠加applymap、highlight_max等方法，实现格式和样式的组合需求，就像示例中保留了行2的红色背景一样。

替代方案：针对特定行单独格式化 #

如果你只需要给少数几行设置特殊格式，也可以结合subset参数和format方法多次调用（虽然不如apply灵活，但适合简单场景）：

data.style.format("{:.2%}")\
          .format("{:.0f}", subset=pd.IndexSlice[1, :])\
          .format("{:.1f}x", subset=pd.IndexSlice[2, :])\
          .applymap(row_background, subset=pd.IndexSlice[2, :])

这个方法适合行规则较少的情况，但如果行规则复杂，还是推荐用Styler.apply的方式更高效。

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