Pandas对列应用返回字典的函数生成多列的解决方案

解决方案 #

你只需要将apply返回的字典序列转为DataFrame，再和原表按索引拼接即可，以下是两种可行写法：

简易写法，适合小数据量：

# 直接对目标列应用函数后，拆分字典为多列，再拼回原DataFrame
df_result = df_dna.join(df_dna['Forward_Sequence'].apply(freqcount).apply(pd.Series))

针对48万行大样本优化的高效写法，避免多次apply带来的性能损耗：

# 1. 先得到所有行的频率计算结果
freq_result = df_dna['Forward_Sequence'].apply(freqcount)
# 2. 将字典列表直接转为DataFrame，自动匹配字典键为列名
freq_df = pd.DataFrame(freq_result.to_list(), index=freq_result.index)
# 3. 按索引拼回原表
df_result = df_dna.join(freq_df)

原理解释 #

• df_dna['Forward_Sequence'].apply(freqcount) 会得到一个元素为字典的Series，索引和原DataFrame完全对齐
• 用字典列表构造DataFrame时，pandas会自动将每个字典的键识别为列名，字典的值对应填充到对应行的对应列
• 最后用join方法按索引拼接，不会打乱原数据的行顺序

可选性能优化 #

如果计算速度达不到要求，可以优化freqcount函数的统计逻辑，用collections.Counter批量统计替代多次count调用，减少字符串遍历次数：

from collections import Counter

def freqcount_optimized(s):
    bases = "".join(s.split("[CG]"))
    total = len(bases)
    single_count = Counter(bases)
    dinuc_count = Counter(bases[i:i+2] for i in range(len(bases)-1))
    outdic = {}
    for b1 in ["A", "G", "C", "T"]:
        outdic[b1] = single_count.get(b1, 0)/total
        for b2 in ["A", "G", "C", "T"]:
            outdic[b1+b2] = dinuc_count.get(b1+b2, 0)/total
    return outdic

内容的提问来源于stack exchange，提问作者charelf