如何对pandas DataFrame中的数据执行expit变换

expit函数也就是常说的sigmoid函数，你给出的计算公式exp(x)/(1+exp(x))和常用写法1/(1+exp(-x))数学上完全等价，计算结果一致，以下是两种可直接运行的实现方式：

方法1：手动按公式实现（无额外统计库依赖） #

只需要pandas和numpy即可完成，适合不想额外装依赖的场景：

1. 首先构造你的原始数据集

import pandas as pd
import numpy as np

df = pd.DataFrame({
    'Id': [1, 2],
    'B': [0, 2],
    'C': [-1, -2]
})

2. 对需要变换的数值列应用公式计算，注意Id是标识列不需要参与变换，最后按示例保留3位小数即可匹配预期输出：

# 指定需要做expit变换的列
target_cols = ['B', 'C']
df[target_cols] = df[target_cols].apply(lambda x: np.exp(x) / (1 + np.exp(x))).round(3)

执行后打印df就能得到目标结果：

Id      B      C
0   1  0.500  0.269
1   2  0.881  0.119

方法2：调用scipy内置expit函数（数值稳定性更好） #

如果你的数据集存在极大/极小的极端值，手动实现的公式可能出现数值溢出问题，scipy库内置了优化过的expit实现，计算稳定性更强：

import pandas as pd
from scipy.special import expit

df = pd.DataFrame({
    'Id': [1, 2],
    'B': [0, 2],
    'C': [-1, -2]
})

target_cols = ['B', 'C']
df[target_cols] = df[target_cols].apply(expit).round(3)

运行结果和手动计算完全一致，和你给出的预期输出匹配。

提示：如果不需要和示例一样保留3位小数，去掉代码末尾的.round(3)即可得到全精度的计算结果。

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