如何在Pandas DataFrame指定单元格批量应用自定义函数？

嘿，这个场景我太熟悉了——直接循环用iat逐个处理不仅写起来麻烦，数据量大的时候效率也拉胯。给你几个更优雅高效的解决方案，按需选择：

方法1：用布尔掩码 + mask/where批量处理 #

这个方法适合通用场景，不管你的函数是数值计算还是字符串操作都能用。核心思路是先标记出要处理的单元格，再批量应用函数：

import pandas as pd

# 你的示例DataFrame
df = pd.DataFrame([[0,1,2], [1,1,2], [1,3,2], [0,0,1]])
# 自定义函数（这里用x+1举例，换成字符串函数也一样）
my_func = lambda x: x + 1
# 注意：你给出的是(col, row)格式，要转换成Pandas的(row, col)顺序
target_cells = [(0,1), (0,2), (1,2)]  # 原格式：(列, 行)

# 1. 创建和DataFrame同形状的布尔掩码，标记目标单元格
mask = pd.DataFrame(False, index=df.index, columns=df.columns)
for col, row in target_cells:
    mask.iloc[row, col] = True  # iloc的顺序是(行, 列)，这里转换一下

# 2. 用mask批量应用函数：掩码为True的单元格替换为函数处理后的值
df = df.mask(mask, df.applymap(my_func))
print(df)

输出结果正好是你想要的：

0  1  2
0  0  1  2
1  1  1  3
2  1  3  2
3  1  1  1

方法2：用loc直接定位批量赋值 #

如果你的目标单元格没有重复的(row, col)对，这个方法更简洁：

# 拆分目标单元格的行和列（转换顺序）
rows = [row for col, row in target_cells]
cols = [col for col, row in target_cells]

# 直接提取目标单元格，应用函数后赋值回去
df.loc[rows, cols] = df.loc[rows, cols].applymap(my_func)

这个写法更直观，代码量也更少，适合大多数场景。

方法3：操作底层Numpy数组（大数据量首选） #

如果你的DataFrame是数值型的，而且数据量很大，直接操作底层的Numpy数组会比操作Pandas对象快很多——虽然本质还是循环，但Numpy的数组访问开销远低于Pandas的单元格访问：

import numpy as np

# 获取底层数组
arr = df.values
for col, row in target_cells:
    arr[row, col] = my_func(arr[row, col])
# 转换回DataFrame（保留原索引和列名）
df = pd.DataFrame(arr, index=df.index, columns=df.columns)

关键注意点 #

一定要注意索引顺序：你给出的目标单元格是(col, row)格式，但Pandas的iloc/loc都是(row, col)的顺序，处理时必须转换，否则会修改错误的单元格！

内容的提问来源于stack exchange，提问作者dWitty