You need to enable JavaScript to run this app. Pandas实现tidyverse mutate across批量列运算的等价方案
优惠活动
大模型
产品
解决方案
定价
更多

Pandas实现tidyverse mutate across批量列运算的等价方案

Pandas 等价实现方案

前置准备

导入pandas,加载与R内置mtcars结构完全一致的DataFrame,下文统一用df指代该数据对象:

import pandas as pd
# 加载mtcars数据为DataFrame,保证列名与R版本一致即可

对应R代码第一步:筛选以t结尾的列,取前3行

完全等价于R的select(ends_with('t')) %>% head(3)操作,核心是用字符串匹配筛选目标列:

df.loc[:, df.columns.str.endswith('t')].head(3)

核心运算逻辑实现

原R代码的运算规则:

对所有以t结尾的列执行列内数值运算:每个元素统一加100;若当前运算的列名包含子串'at',则在基础值上额外加1(布尔判断结果直接转为数值参与运算)

向量化高效写法(无apply,性能最优)

不需要逐列循环,利用Pandas的广播机制实现,和R的across逻辑完全对齐:

# 先定位所有目标列
target_cols = df.columns[df.columns.str.endswith('t')]
# 执行列运算:基础加100 + 列名匹配'at'的偏移量
df[target_cols] = df[target_cols] + 100 + df[target_cols].columns.str.contains('at').astype(int)
# 筛选目标列、取前3行输出
df[target_cols].head(3)
  • 列名匹配得到的布尔序列转成整数后,会沿着列维度自动广播到对应列的所有行元素上,完全复现R里判断当前列名再加值的逻辑
  • 全程向量化运算,数据量较大时性能远好于逐列apply的写法

基于apply的单行链式写法

如果偏好类R的匿名函数逐列处理风格,可以写出完全链式的单行实现:

(df
 .loc[:, lambda x: x.columns.str.endswith('t')]
 .apply(lambda col: col + 100 + ('at' in col.name))
 .head(3))
  • apply传入的lambda会将每一列作为独立Series处理,col.name即为当前列的列名
  • 列名判断得到的布尔值会自动转换为0/1参与加法,和R里str_detect(cur_column(), 'at')的效果完全一致

内容的提问来源于stack exchange,提问作者Petr

相关产品推荐
方舟 Agent Plan

超全模态模型 × Harness 升级,最新支持 Deepseek-V4.1-Flash、GLM-5.3 系列、Doubao-Seedream-5.0-pro、Kimi-K3 (部分), 限时 9.9 元起

最近更新时间:2026.11.07 13:45:09