pandas apply调用np.exp运算时抛出TypeError错误如何解决

• 核心原因：你要计算的数值列实际为object数据类型，列内存储的是Python原生float对象而非numpy/pandas支持的向量化浮点类型。np.exp作为numpy的通用向量化函数（ufunc），无法直接对Python原生float对象执行批量运算，因此先触发「float对象无exp属性」的AttributeError，再抛出ufunc循环不支持该类型参数的TypeError。
• 额外触发因素：你直接对整个DataFrame调用apply，默认会遍历所有列（包括不需要计算sigmoid的Id列，以及可能存在的非数值列），进一步放大了类型不匹配的问题；部分场景下如果列内混杂了字符串、空值等非数值内容，也会强制把列类型转为object，触发同类报错。

1. 先校验并转换列数据类型，确保需要计算的列是数值类型：
   先执行以下代码查看各列类型：

   print(df.dtypes)
   

   如果目标列（B、C列）类型显示为object，先做类型转换，混杂非法非数值内容时可以先做强制转换，把非法值转为空值：

   import pandas as pd
   import numpy as np
   
   # 把需要计算的列转为数值类型，无法转换的内容置为NaN
   df[['B', 'C']] = df[['B', 'C']].apply(pd.to_numeric, errors='coerce')
   

2. 执行sigmoid计算，优先用向量化运算替代逐行/逐列apply，运算效率更高也更稳定，注意只选择需要计算的数值列，跳过Id这类不需要做转换的列：

   # 写法1：直接向量化运算，性能最优
   df[['B_sigmoid', 'C_sigmoid']] = 1 / (1 + np.exp(-df[['B', 'C']]))
   
   # 写法2：如果要用apply，明确指定计算的列，不要传入全表
   # df[['B', 'C']] = df[['B', 'C']].apply(lambda x: 1/(1+np.exp(-x)))
   

注：sigmoid公式等价于np.exp(x)/(1+np.exp(x))，写成1/(1+np.exp(-x))可以避免x数值过大时np.exp(x)溢出的问题，稳定性更好。

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