如何在字典推导式中传入lambda引用Pandas DataFrame以操作新建列？

解决方案 #

你之前的写法报错是因为直接在列表中传入的lambda函数未被调用，也无法直接获取col.name属性。Pandas的assign方法传入lambda时，lambda接收的参数是当前已完成部分列更新的DataFrame对象，天然支持引用同一assign调用中先定义的新列，无需生成显式的中间DataFrame。

实现方式1：单assign调用合并字典推导式

注意通过默认参数绑定循环变量，避免Python闭包陷阱：

df1 = df.assign(
    # 批量生成对数列
    **{f'l{col}': np.log(df[col]) for col in ['jam_cpi_eop', 'bah_cpi_eop']},
    # 批量生成对数差分列，lambda直接引用上一步生成的对数列
    **{f'dl{col}': lambda x, c=col: x[f'l{c}'] - x[f'l{c}'].shift(1) for col in ['jam_cpi_eop', 'bah_cpi_eop']}
)

实现方式2：链式pipe调用（更易读，推荐）

通过链式调用分层实现逻辑，不需要处理闭包问题，使用习惯更接近R的mutate连续调用：

df1 = (
    df
    # 第一步：计算指定列的对数
    .assign(**{f'l{col}': lambda x, c=col: np.log(x[c]) for col in ['jam_cpi_eop', 'bah_cpi_eop']})
    # 第二步：基于上一步输出计算对数差分
    .assign(**{f'dl{col}': lambda x, c=col: x[f'l{c}'] - x[f'l{c}'].shift(1) for col in ['jam_cpi_eop', 'bah_cpi_eop']})
)

通用封装（可选）

如果需要高频使用类似mutate(across())的能力，可以封装为工具函数简化调用：

def mutate_across(df, cols, transform_func, name_prefix=''):
    return df.assign(**{f'{name_prefix}{col}': transform_func(df[col]) for col in cols})

# 调用示例
df1 = (
    df
    .pipe(mutate_across, ['jam_cpi_eop', 'bah_cpi_eop'], np.log, name_prefix='l')
    .pipe(mutate_across, ['jam_cpi_eop', 'bah_cpi_eop'], lambda x: x.diff(), name_prefix='dl')
)

内容的提问来源于stack exchange，提问作者Joao Pedro Macalos