pandas df.apply调用返回字典的函数创建新列失败问题求解

原有代码无法运行的核心问题有两点：

• 连续三次调用df.apply(extract_data, axis=1)会触发三次全表逐行遍历，且直接对返回的字典Series取['a']/['p']/['s']属于按列索引取值，和字典的键不匹配，会触发KeyError。
• lambda写法传入了不存在的x['a']字段作为参数，extract_data需要接收整行Series作为输入，行数据中无a列，必然运行报错。

只需要调用一次apply，搭配result_type='expand'参数即可自动将每行返回的字典拆分为独立列，仅需一次遍历即可完成三列赋值：

def extract_info(self):
    def extract_data(row):
        res = {'A': None, 'P': None, 'S': None}
        for info in row['Info']:
            t = info['Type']
            if t in res:
                res[t] = info['Desc']
        return res
    # 自动将返回的字典拆为列，直接拼接回原表
    info_cols = self.df.apply(extract_data, axis=1, result_type='expand')
    self.df = pd.concat([self.df, info_cols], axis=1)
    return self

apply本质是Python层逐行循环，数据量较大时性能较差，可以用pandas原生的矢量化方法实现，性能比apply高5~10倍：

def extract_info(self):
    # 炸开Info列的列表为单条记录，再把字典拆为普通列
    info_long = self.df['Info'].explode().apply(pd.Series)
    # 行透视成宽表，索引和原表对齐
    info_wide = info_long.pivot(
        index=info_long.index,
        columns='Type',
        values='Desc'
    )
    # 拼接回原DataFrame
    self.df = pd.concat([self.df, info_wide], axis=1)
    return self

该方案没有手写Python层循环，核心逻辑由pandas C后端实现，数据量越大性能优势越明显，同时不需要手动维护Type和列名的映射关系，后续新增Type类型也能自动生成对应列。

内容的提问来源于stack exchange，提问作者amnesic