如何遍历DataFrame多列并应用Lambda函数进行数据处理？

嘿，我懂你现在的卡点——要给50列（Column1到Column50）都执行一模一样的逻辑，但原来的循环写法里，lambda函数没法正确引用当前遍历的列，对吧？我先帮你分析下原代码的问题，再给你两个靠谱的解决方案：

原代码的核心问题 #

你写的循环里有两个关键问题：

• lambda里的x.column是错误的：df.apply(axis=1)返回的x是行对象，x.column会被当成行的column属性，而不是你循环里的列变量，所以根本取不到目标列的值。
• 条件表达式不完整：if后面没有对应的else分支，运行时会抛出语法错误，apply也无法处理缺失返回值的情况。

解决方案一：用向量化的np.where（强烈推荐） #

如果你的数据量不小，向量化操作比逐行的apply效率高太多，50列的场景下差距会特别明显。用np.where可以直接对整列进行条件判断和赋值：

import numpy as np

# 先定义要处理的50列列表
target_columns = [f"Column{i}" for i in range(1, 51)]

for col in target_columns:
    # 逻辑：如果当前列的值 >= datacolumn3，就用datacolumn*datacolumn2替换，否则保留原列值
    df[col] = np.where(
        df[col] >= df["datacolumn3"],
        df["datacolumn"] * df["datacolumn2"],
        df[col]  # 这里可以改成你需要的默认值，比如0或者NaN
    )

解决方案二：用闭包修正apply写法（适合小数据量） #

如果你一定要用apply，可以通过闭包传递列名的方式，让lambda能正确捕获当前循环的列变量，同时补全else分支：

target_columns = [f"Column{i}" for i in range(1, 51)]

for col in target_columns:
    df[col] = df.apply(
        lambda x, current_col=col: 
            x["datacolumn"] * x["datacolumn2"] if x[current_col] >= x["datacolumn3"] else x[current_col],
        axis=1
    )

这里的关键是给lambda加了current_col=col的默认参数，这样每个循环迭代时，lambda都会绑定当前的列名，不会出现变量引用错误。

内容的提问来源于stack exchange，提问作者lilbit