DataFrame数字格式化：按自定义逻辑格式化指定数据子集

针对分列定制数字格式化的需求，可根据实际使用场景选择以下两种实现方式：

方案1：直接修改列值（适合导出、后续复用格式化结果） #

该方式会直接将对应列转换为格式化后的字符串值，处理后可直接导出为Excel、CSV等文件，输出效果和需求完全匹配。
首先构造示例原始数据：

import pandas as pd

# 初始化示例原始DataFrame
df = pd.DataFrame({
    "国家": ["美国", "日本", "中国", "英国", "欧元区"],
    "最新值": [8.60, 2.50, 2.00, 9.10, 8.10],
    "前值": [8.30, 2.50, 2.10, 9.00, 7.40],
    "绝对变动": [0.30, 0.00, -0.10, 0.10, 0.70]
})

执行格式化处理代码：

# 最新值、前值列保留1位小数
df[["最新值", "前值"]] = df[["最新值", "前值"]].round(1).astype(str)

# 绝对变动列转换为基点单位：数值*100后拼接bp后缀
df["绝对变动"] = (df["绝对变动"] * 100).astype(int).astype(str) + " bp"

处理后打印df即可得到需求中的格式化结果。

方案2：仅渲染层格式化（适合Jupyter类场景展示，不修改原始值） #

如果需要保留原始数值做后续计算，仅在表格展示时应用格式化规则，可以用pandas原生的style格式化接口，不会改动原始数据类型：

# 定义各列的格式化规则
formatter = {
    "最新值": "{:.1f}",
    "前值": "{:.1f}",
    "绝对变动": lambda x: f"{int(x * 100)} bp"
}

# 渲染格式化后的表格
styled_df = df.style.format(formatter)

在Notebook环境中直接渲染styled_df就能看到格式化后的展示效果，原始df的数值仍然是浮点类型，不影响后续统计计算。

注意：如果业务场景存在非整数基点（如0.5bp），可以去掉转int的逻辑，按需调整小数保留位数即可，例如将绝对变动的格式化规则改为lambda x: f"{x * 100:.1f} bp"就能保留1位小数的基点值。

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