Pandas中apply结合lambda返回元组时如何拆分赋值到对应列

原代码报错根因 #

当执行df.apply(..., axis=1)时，函数逐行处理数据，每行返回一个(a, b)格式的元组，最终apply的输出是长度和原DataFrame行数相等的Series，Series内每个元素是对应行的返回元组。
原代码试图直接将这个长度为N的Series拆分为2个独立列，本质是将整个序列拆为2个值，自然触发too many values to unpack (expected 2)的报错。

无临时列的直接拆分实现方案 #

所有方案均不需要在原DataFrame中额外新增临时列存储apply返回结果，可直接完成拆分赋值：

• 方案1（效率最高，推荐）：将apply返回的元组序列转为嵌套列表，直接对齐赋值到目标列

  df[['a', 'b']] = df.apply(lambda x: foo(x['n'], x['m']), axis=1).tolist()
  

  原理：apply返回的Series调用.tolist()后，会生成和原DataFrame行序完全对齐的嵌套列表，每个子元素是对应行的(a,b)元组，可直接匹配列顺序完成批量赋值。
• 方案2：通过str访问器按索引取值拆分，无需生成中间嵌套列表

  apply_result = df.apply(lambda x: foo(x['n'], x['m']), axis=1)
  df['a'], df['b'] = apply_result.str[0], apply_result.str[1]
  

  原理：通过Series的str访问器，直接按位置取每个元组的第0位、第1位值生成新列，全程不需要在原df中新增临时列。
• 方案3：让apply直接返回带索引的单行Series，自动匹配列名赋值

  df[['a', 'b']] = df.apply(
      lambda x: pd.Series(foo(x['n'], x['m']), index=['a', 'b']),
      axis=1
  )
  

  原理：逐行将返回的元组构建为带列名的Series，最终apply会输出为包含a、b两列的DataFrame，可直接整体赋值到原df的对应列。

注意事项 #

• 赋值时目标列的顺序，需要和foo函数返回元组的元素顺序完全对应，避免值错位。
• 如果原df行数较多，逐行apply的整体效率偏低，对于可向量化计算的场景，建议直接用列向运算替代逐行apply。

内容的提问来源于stack exchange，提问作者ReverseEngineer