如何对多个DataFrame或CSV文件批量应用自定义函数并进行列操作？

嘿，Antonio，我来帮你搞定这个批量应用自定义函数+后续列操作的需求！其实核心思路是把「应用ajuste_tiempos」和「后续列操作」打包成一个统一的处理函数，然后用列表/字典推导式来批量处理你的DataFrames，这样既简洁又易维护。

下面分两种最常见的场景给你具体代码示例：

场景1：DataFrames存储在列表中 #

假设你现在有一堆DataFrames放在列表里，比如 original_dfs = [df_sales, df_users, df_logs]，我们可以这么做：

首先，定义一个包含完整处理逻辑的函数：

def full_process(df):
    # 第一步：应用你的自定义ajuste_tiempos函数
    df_ajusted = ajuste_tiempos(df)
    
    # 第二步：添加你需要的其他列操作，这里举几个例子，你可以按需修改
    # 示例1：新增一个计算列
    df_ajusted['total_amount'] = df_ajusted['quantity'] * df_ajusted['unit_price']
    # 示例2：重命名列
    df_ajusted.rename(columns={'old_time_col': 'standard_time'}, inplace=True)
    # 示例3：提取时间列的日期部分
    df_ajusted['date_only'] = df_ajusted['standard_time'].dt.date
    
    return df_ajusted

然后用列表推导式批量处理所有DataFrame：

# 得到处理后的DataFrame列表
processed_dfs = [full_process(df) for df in original_dfs]

这种方式会返回全新的处理后DataFrame列表，能很好保留原DataFrame不被修改，非常稳妥。

场景2：DataFrames存储在字典中（带名称标识） #

如果你的DataFrames是用字典存储的（比如键是DataFrame的名称，值是DataFrame对象），比如 dfs_dict = {'sales': df_sales, 'users': df_users}，用字典推导式更方便：

# 复用上面的full_process函数
processed_dfs_dict = {df_name: full_process(df) for df_name, df in dfs_dict.items()}

处理后你依然可以通过键名（比如 processed_dfs_dict['sales']）快速访问对应的处理后DataFrame，管理起来更清晰。

额外小贴士 #

1. 异常处理：如果你的DataFrames结构不完全一致（比如有的缺少ajuste_tiempos需要的列），可以在full_process里加异常捕获，避免整个批量处理崩溃：

def full_process(df):
    try:
        df_ajusted = ajuste_tiempos(df)
        # 后续列操作...
        return df_ajusted
    except KeyError as e:
        print(f"处理DataFrame时出错：缺少必要列 {e}")
        return df  # 或者返回None，根据你的需求调整

2. 原地修改 vs 返回新对象：如果你的ajuste_tiempos函数是原地修改DataFrame（没有返回值），那你需要调整full_process的逻辑，比如：

def full_process(df):
    # 原地应用ajuste_tiempos
    ajuste_tiempos(df)
    # 后续列操作（同样可以原地修改）
    df['total_amount'] = df['quantity'] * df['unit_price']
    return df

但这种方式会修改原DataFrame，如果你需要保留原始数据，建议还是让ajuste_tiempos返回一个新的DataFrame对象。

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