Pandas列规范化报错：'float' object has no attribute 'max' 排查与修复

你遇到的问题核心在于**apply方法的执行逻辑**：当你对df['score1']调用apply(normalize)时，normalize函数里的x是列中的单个元素（比如-1、0、2这类整数/浮点数），而单个数值类型是没有max()方法的——max()是Pandas Series或NumPy数组的专属方法，这就是为什么你会收到AttributeError: 'int' object has no attribute 'max'的原因。

硬编码最大值虽然能临时运行，但显然不够灵活，下面给你两种更优雅的修复方案：

方案一：使用矢量化操作（推荐） #

Pandas的强项是矢量化运算，比逐元素的apply效率更高，代码也更简洁。我们可以先把-1替换为NaN，再用列的有效最大值（排除-1后的最大值）进行归一化：

import numpy as np
import pandas as pd

df = pd.DataFrame({'key' : [111, 222, 333, 444, 555, 666, 777, 888, 999],
                   'score1' : [-1, 0, 2, -1, 7, 0, 15, 0, 1],
                   'score2' : [2, 2, -1, 10, 0, 5, -1, 1, 0]})

# 处理score1列
max_score1 = df['score1'][df['score1'] != -1].max()
df['norm1'] = df['score1'].replace(-1, np.nan) / max_score1

# 处理score2列
max_score2 = df['score2'][df['score2'] != -1].max()
df['norm2'] = df['score2'].replace(-1, np.nan) / max_score2

print(df)

输出结果：

key  score1  score2     norm1     norm2
0  111      -1       2       NaN  0.200000
1  222       0       2  0.000000  0.200000
2  333       2      -1  0.133333       NaN
3  444      -1      10       NaN  1.000000
4  555       7       0  0.466667  0.000000
5  666       0       5  0.000000  0.500000
6  777      15      -1  1.000000       NaN
7  888       0       1  0.000000  0.100000
8  999       1       0  0.066667  0.000000

如果想更简洁，也可以用mask方法直接标记-1为缺失值：

df['norm1'] = df['score1'].mask(df['score1'] == -1, np.nan) / df['score1'].mask(df['score1'] == -1).max()

方案二：修改apply的调用方式（传参） #

如果坚持要用自定义函数+apply，可以先计算列的有效最大值，再通过apply的args参数把最大值传给函数：

def normalize(x, max_val):
    if x == -1:
        return np.nan
    else:
        return x / max_val

# 计算score1的有效最大值（排除-1）
max_score1 = df['score1'][df['score1'] != -1].max()
df['norm1'] = df['score1'].apply(normalize, args=(max_score1,))

# score2同理
max_score2 = df['score2'][df['score2'] != -1].max()
df['norm2'] = df['score2'].apply(normalize, args=(max_score2,))

这样函数就能拿到整个列的最大值，完美避免了硬编码的问题。

内容的提问来源于stack exchange，提问作者glpsx