如何对Pandas DataFrame的不同行批量应用对应模型完成一次性预测？

嘿，我完全懂你不想拆分数据集分别预测的诉求，这里有两种简洁的「一步到位」方法，能直接根据model_version列匹配对应模型完成预测，不用手动拆分再合并：

方法一：用apply结合模型映射字典 #

首先我们把模型和对应的版本名做成一个映射字典，然后通过apply逐行调用对应模型预测：

# 先创建模型与版本的映射字典
model_map = {'model_a': model_a, 'model_b': model_b}

# 定义特征列（排除id和model_version）
feature_cols = df.columns.difference(['id', 'model_version'])

# 一次性生成预测结果
df['predictions'] = df.apply(
    lambda row: model_map[row['model_version']].predict(
        row[feature_cols].values.reshape(1, -1)
    )[0],  # 取单样本预测结果的第一个元素
    axis=1
)

解释： #

• 映射字典model_map帮我们快速根据model_version的值找到对应的模型
• row[feature_cols].values.reshape(1, -1)是把单行特征转成模型predict方法需要的二维数组格式
• apply会自动遍历每一行，把预测结果直接赋值给新的predictions列，全程不用拆分DataFrame

方法二：用groupby+transform批量处理 #

如果你的同版本数据量比较大，分组处理会更高效，transform会自动把分组预测的结果对齐回原DataFrame：

model_map = {'model_a': model_a, 'model_b': model_b}
feature_cols = df.columns.difference(['id', 'model_version'])

df['predictions'] = df.groupby('model_version').transform(
    lambda group: model_map[group.name].predict(group[feature_cols])
)

解释： #

• 按model_version分组后，每个组的group.name就是对应的版本名，直接从字典里取模型
• 对整个组批量预测，比逐行apply效率更高（尤其是数据量大的时候）
• transform会自动将分组预测的结果按原DataFrame的索引位置填充，完美对齐原数据

这两种方法都完全符合你要的「one-go」需求，不用拆分数据集，一步就能生成所有预测结果~

备注：内容来源于stack exchange，提问作者quant