如何对DataFrame每行单独应用自定义归一化函数并解决代码报错？

问题分析 #

你的两段代码存在以下核心问题：

• 错误使用df()调用DataFrame，正确的数组运算无需这种函数式调用
• 第一段代码循环逻辑混乱，apply参数应为处理函数而非预计算结果
• 第二段代码存在维度不匹配问题：一维的df.iloc[:,0]、df.std(axis=1)无法直接与二维DataFrame进行广播运算

推荐实现：向量化操作（高效处理大行数） #

针对超1000行的DataFrame，向量化操作比循环/apply效率高几个数量级，利用numpy广播机制直接实现逐行运算：

# 获取每行第一个元素，转为二维数组实现广播匹配
row_first = df.iloc[:, 0].values.reshape(-1, 1)
# 计算每行标准差，同样转为二维数组
row_std = df.std(axis=1).values.reshape(-1, 1)
# 执行归一化计算
df_normalized = (row_first - df) / row_std

验证：每行第一列的值为(row_first - row_first)/row_std = 0，完全符合预期。

备选：使用apply实现（适合理解逻辑，效率较低） #

如果需要用apply逐行处理，需先定义单行处理函数，再传入apply：

def normalize_row(row):
    first_val = row.iloc[0]
    std_val = row.std()
    return (first_val - row) / std_val

df_normalized = df.apply(normalize_row, axis=1)

注意事项 #

• 需确保每行标准差不为0，否则会触发除以0的错误，可提前过滤处理：

  # 过滤掉标准差为0的行
  df = df[df.std(axis=1) != 0]
  

内容的提问来源于stack exchange，提问作者SHAH