如何使用pandas assign方法优化链式数据预处理，解决冗余与转换报错问题

问题1：将st_date日期转换逻辑移入链式调用 #

你报错的核心原因是assign直接引用外层df变量时，读取的是原始未修改的DataFrame，要使用链式过程中刚生成/修改的列，需要传入lambda表达式作为可调用对象，lambda接收的参数是链式上一步输出的DataFrame，就可以拿到实时修改后的列值。

问题2：消除raise_p重复计算 #

Pandas 0.23及以上版本（你用的1.1.4完全支持）的assign支持同一次赋值操作内，后定义的列直接引用先定义的列，配合lambda调用就可以做到raise_p只计算一次，后续直接复用。
另外你原来的is_weekday逐行apply操作可以替换为向量化判断，执行效率会高很多。

优化后完整代码 #

import pandas as pd
import numpy as np

def preprocess(df):
    return (
        df.assign(
            # 第一步先完成日期格式转换
            st_date = lambda d: pd.to_datetime(d["st_date"], format='%Y%m%d'),
            dayofweek = lambda d: d["st_date"].dt.dayofweek.astype("int8"),
            # 向量化判断替换apply，效率更高
            weekday = lambda d: (d["dayofweek"] <= 4).astype(np.int8),
            raise_p = lambda d: d["next_raise"] / d["income"] * 100,
            # 直接复用前面定义的raise_p，无需重复计算
            raise_above_mean = lambda d: np.where(d["raise_p"] > d["raise_p"].mean(), 1, 0)
        )
        .astype({"income":"int16", "next_raise":"int16"})
        .drop(columns=["A", "B"])
    )

new_df = preprocess(df)

• 链式预处理优势：逻辑线性连贯，不需要定义大量临时中间变量，不会无意中修改原始DataFrame，复杂流程的可维护性更高
• 传统分步优势：调试更方便，每一步都可以单独打印校验结果，更适合新手入门
  实际生产中更推荐链式写法，熟悉lambda调用规则后，开发和维护效率都远高于分步写法。

• Matt Harrison的《Effective Pandas》系列书籍，是链式Pandas写法的权威入门资料
• 国内知乎、掘金等技术社区搜索"Pandas链式预处理"关键词，可以找到大量结合国内业务场景的实战案例

内容的提问来源于stack exchange，提问作者haneulkim