如何通过pandas.DataFrame.apply()一次性生成多个新列

你提供的错误伪代码无法运行的核心原因：df.apply 逐行调用函数时，若函数返回裸元组/普通列表，pandas会将整个返回值作为单个对象存入单列，不会自动拆分给多列；同时pandas也不会自动对apply的返回结果做解包，匹配多个目标列名。

核心实现逻辑 #

只要让逐行执行的函数返回带列名索引的pandas.Series对象，apply 就会自动把所有行的计算结果对齐成一个多列的DataFrame，全程仅对每行执行一次计算，不存在重复调用函数的开销。

可直接运行的代码示例 #

1. 常规自定义函数写法（适合计算逻辑复杂、需要单独封装的场景） #

from eunrg_utils.testing_functions.random_dataframe import random_dataframe
import pandas as pd

df = random_dataframe(columns=2, rows=4)

# 自定义单行计算函数，返回带目标列名的Series
def my_func(row):
    value1 = row.A + row.B
    value2 = row.B - row.A
    # Series的索引名就是要生成的DataFrame列名，与返回值一一对应
    return pd.Series({"X": value1, "Y": value2})

# 一次性执行apply，得到与原df索引完全对齐的多列结果
new_cols = df.apply(axis=1, func=my_func)
# 直接把新列合并回原DataFrame
df[new_cols.columns] = new_cols

2. 简洁的lambda写法（适合计算逻辑简单的场景） #

from eunrg_utils.testing_functions.random_dataframe import random_dataframe
import pandas as pd

df = random_dataframe(columns=2, rows=4)

# 直接在lambda中返回带指定索引的Series
df[["X", "Y"]] = df.apply(
    axis=1,
    func=lambda row: pd.Series(
        data=[row.A + row.B, row.B - row.A],
        index=["X", "Y"]
    )
)

关键注意事项 #

• 不要让函数直接返回裸元组、普通Python列表作为返回值，否则pandas会把整行计算结果当成单个对象塞到单列中，无法自动拆分为多列
• 该方案不需要额外编写缓存逻辑，每一行的所有衍生值都会在一次函数调用中全部计算完成；相比逐次调用apply逐列生成的写法，该方案仅遍历一次DataFrame行，计算开销减少近一半，行数越多性能优势越明显
• 如果不想修改原有自定义函数的返回值格式（即函数本身返回裸元组），也可以通过转换的方式实现多列拆分：

# 原有自定义函数返回固定顺序的元组，不需要改动函数内部逻辑
def my_func(row):
    return (row.A + row.B, row.B - row.A)

# 拿到apply返回的、每行为元组的Series
apply_result = df.apply(axis=1, func=my_func)
# 把元组列表转换为与原df索引对齐、带指定列名的DataFrame
new_cols = pd.DataFrame(apply_result.tolist(), index=df.index, columns=["X", "Y"])
# 合并到原df
df[["X", "Y"]] = new_cols

上述转换写法的最终效果和函数直接返回带索引Series的写法完全一致，适合不想调整已有函数返回格式的存量代码场景。

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