如何简化numpy向量化函数中多个pandas列参数的传入写法？

错误原因 #

• 语法错误：你定义的func中np.prod后存在换行，相当于仅把np.prod函数本身赋值给newcol，后续的切片操作为独立无效语句，函数返回的是函数对象而非计算结果。
• 逻辑错误：直接传入完整df给frompyfunc时，函数接收的是整个DataFrame而非单行数据，你试图用全列的age数组去做列表切片，自然触发类型不匹配报错。

最简高性能方案 #

优先推荐完全向量化的累积乘积方案，完全避免Python层面循环，性能远高于pd.apply和自定义ufunc，写法也极度简洁：

import numpy as np
import pandas as pd
from io import StringIO
dfs = """
    M0     M1   M2  M3 M4   M5 age
1   1      2    3    4  5    6  3.2        
2   7      5    4    5  8    3  4.5
3   4      8    9    3  5    2  6.7
"""
df = pd.read_csv(StringIO(dfs.strip()), sep='\s+', )

# 核心计算逻辑
m_arr = df.loc[:, 'M0':'M5'].values
k = df['age'].astype(int).values - 1 # 转换为0起始索引
df['newcol'] = m_arr.cumprod(axis=1)[np.arange(len(df)), k]

运行后和你原逻辑输出完全一致。

保留自定义ufunc的简化写法 #

如果你坚持用np.frompyfunc的写法，可以将M列值和age打包为单参数传入，避免写7个入参：

def calc_prod(row_data):
    m_vals, age = row_data
    return np.prod(m_vals[:int(age)])

vfunc = np.frompyfunc(calc_prod, 1, 1)
df['newcol'] = vfunc(list(zip(df.loc[:, 'M0':'M5'].values, df['age'].values)))

内容的提问来源于stack exchange，提问作者William