Pandas列存列表时的数据类型问题及逐行标准差计算方法

列 dtype 为 object 的原因 #

pandas 中只有单元格存储原生标量值（数值、字符串、时间戳等）时，才会推断为对应类型的 dtype。你虽然将列表内的元素转换为了 float，但每个单元格存储的本体是 Python 列表对象，不属于 pandas 支持的原生标量类型，因此整列 dtype 必然为object。这是正常表现，不影响后续计算，无需额外修复。

逐单元格计算列表标准差 #

方法1：直接映射计算（适合小数据集） #

使用 numpy 的标准差函数逐元素处理单元格内的列表即可：

import numpy as np

# ddof=1 计算样本标准差，若需总体标准差设置 ddof=0
df_final['old_std'] = df_final['df_old_obj'].apply(lambda lst: np.std(lst, ddof=1))
df_final['curr_std'] = df_final['df_curr_obj'].apply(lambda lst: np.std(lst, ddof=1))

针对给出的示例数据，_rev行df_old_obj列的[79.5, 0.25]计算得到样本标准差约为56.04，df_curr_obj列的[92.0, 0.5]计算得到样本标准差约为64.70；单元素列表的标准差返回0，符合计算逻辑。

方法2：拆分列表为多列后计算（推荐，性能更优） #

将列表存在单个单元格属于非结构化存储，数据量较大时apply循环性能很差。更优的方式是先将列表拆分为独立的数值列，再用 pandas 原生的行级计算方法求标准差：

# 拆分列表为多列，长度不足的列表自动填充NaN，保留原行索引
old_split = pd.DataFrame(df_final['df_old_obj'].tolist(), index=df_final.index).add_prefix('old_top')
curr_split = pd.DataFrame(df_final['df_curr_obj'].tolist(), index=df_final.index).add_prefix('curr_top')

# 拆分后的列拼回原表
df_final = pd.concat([df_final, old_split, curr_split], axis=1)

# 原生行级计算，性能远高于apply循环
df_final['old_std'] = old_split.std(axis=1, ddof=1)
df_final['curr_std'] = curr_split.std(axis=1, ddof=1)

拆分后的值列均为原生 float 类型，后续做均值、极值、分位数等聚合计算时无需额外处理列表，维护成本更低。

内容的提问来源于stack exchange，提问作者Ray92