使用pandas的apply/map/applymap实现DataFrame新增自定义计算列

先修正你的基础代码问题 #

1. 自定义函数参数命名不要和df变量重名，且按行处理时传入的是每行的Series对象，建议重命名参数避免混淆
2. apply默认按列（axis=0）处理，行级处理需要指定axis=1
3. map只能作用于Series，不能直接作用在多列DataFrame上
4. applymap是元素级处理函数，本身不适合行级多列计算，仅做演示使用

import pandas as pd

# 初始化测试数据
df = pd.DataFrame({
    'a': [1,2,3,4,5,6,7],
    'b': [3,4,5,6,7,8,9]
})

# 自定义行计算函数，可替换为你实际业务的复杂逻辑
def custom_sum(row):
    return row['a'] + row['b']

三种函数的实现方案 #

1. apply实现（推荐，最适配行级复杂计算场景）

apply支持DataFrame按行/按列处理，指定axis=1即可遍历每行，把整行数据传入自定义函数，是行级业务逻辑的最优选择：

df['sum'] = df.apply(custom_sum, axis=1)

2. map实现

map是Series专属方法，只能处理单列数据，需要先把要计算的多列打包为元组，再调用map处理：

# 先把a、b两列打包为元组组成单列Series，再用map处理
def custom_sum_for_map(row_tuple):
    a, b = row_tuple
    return a + b

df['sum'] = df[['a', 'b']].apply(tuple, axis=1).map(custom_sum_for_map)

3. applymap实现（不推荐，仅做功能演示）

applymap是对DataFrame每个单独元素做处理的函数，原生不支持跨列行计算，这个场景下没有合理的原生applymap实现方式，如需强行对齐需求可以用如下逻辑，生产环境不要用：

# 本质还是依赖apply做行级处理，仅做演示，无实际使用价值
df['sum'] = df[['a', 'b']].apply(lambda x: custom_sum(x), axis=1)

运行以上任意一种可行方案后，输出的df就是你需要的预期结果。如果是实际业务的复杂行级逻辑，直接用第一种apply方案即可，可读性和可维护性最高。

内容的提问来源于stack exchange，提问作者Dagad