Pandas使用apply调用多返回值函数时，如何直接提取多个独立Series

你执行age, name = df["dict_col"].apply(unnest_dict)时的报错，本质是Series.apply返回的是一个和原列索引完全对齐的完整Series，每个元素是当前行函数返回的二元组。
直接对这个Series做解包时，Python会遍历Series的所有行元素拆分值——以你2行的DataFrame为例，遍历后一共会拿到4个待解包的值，却只准备了2个接收变量，自然触发too many values to unpack的错误。
你之前用列表推导逐行提取的写法逻辑是对的，但完全不需要手写Python层循环，用pandas原生能力就能直接提取出对齐索引的独立Series，以上方案可通用在任意需要多返回值的函数操作场景。

方法1：pandas 原生多返回值拆分（推荐，性能最优） #

给apply方法传入result_type="expand"参数，pandas会自动把每一行的多返回值拆成独立的列，返回一个和原索引完全对齐的DataFrame，每一列按顺序对应一个函数返回值，不会打乱行顺序：

# 保留原函数的二元组返回逻辑即可
def unnest_dict(row):
    age = row["age"]
    name = row["name"]
    return (age, name)

# 自动拆分多返回值为独立列
result = df["dict_col"].apply(unnest_dict, result_type="expand")
# 按返回顺序直接取出对应Series
age = result[0]
name = result[1]

• 该方法是pandas内置的C层实现，大数量级下的运行速度远快于Python层的循环遍历。
• 生成的age和name和原DataFrame的索引完全对齐，和你手写列表推导得到的结果无差异。

方法2：批量聚合转Series（灵活适配不定数量返回值） #

如果不想手动给拆分后的列编号，可以用zip批量聚合所有返回值，再直接转换为对应Series，全程不需要手写遍历逻辑：

apply_result = df["dict_col"].apply(unnest_dict)
# 按返回顺序聚合所有列，批量生成对齐索引的Series
age, name = map(pd.Series, zip(*apply_result))

• 原理是zip(*apply_result)会自动把所有元组的第1个元素聚为年龄列表、第2个元素聚为姓名列表，map(pd.Series)会自动继承原列的索引生成Series，不会出现行错位。

两种方法的输出和你之前手写遍历的结果完全一致：

print(age)
# 1    [1, 2]
# 2    [3, 4]
# dtype: object

print(name)
# 1    [john, doe]
# 2    [foo, bar]
# dtype: object

内容的提问来源于stack exchange，提问作者CutePoison