如何用接收两参数的函数为Pandas DataFrame生成两列新数据？

我来帮你理清问题出在哪，以及怎么搞定这个需求～

首先看你两次尝试的错误原因：

• 第一次尝试里，df[['A'], df['B']]是语法错误，正确的多列选取应该是df[['A', 'B']]；而且默认的apply是按列处理数据，你需要加上axis=1参数让它按行遍历，把每行的A、B值传给函数。另外直接用apply返回的是包含元组的Series，不能直接拆成两列赋值，得先展开。
• 第二次尝试直接把整个Series（df['A']和df['B']）传给函数，但你的函数是接收单个float类型参数的，函数内部的计算逻辑没法处理整个Series，所以触发了类型转换错误。

下面给你两种可行的解决方案，按需选择：

方法一：用apply按行处理并展开结果 #

这种方法适合函数无法直接向量化的场景：

# 先保留你的自定义函数（这里用示例计算代替你的逻辑）
def FunctionName(a, b):
    # 替换成你的实际计算逻辑
    x = a * 2.0
    y = b + 5.0
    return x, y

# 按行遍历，把每行的A、B传入函数，得到包含元组的Series
results = df[['A', 'B']].apply(lambda row: FunctionName(row['A'], row['B']), axis=1)

# 把元组展开成两列，赋值给新列
df['A_new'], df['B_new'] = zip(*results)

方法二：直接用apply生成新列（更简洁） #

可以让apply返回Series，直接赋值给新的两列：

import pandas as pd

df[['A_new', 'B_new']] = df.apply(
    lambda row: pd.Series(FunctionName(row['A'], row['B'])),
    axis=1
)

进阶：向量化函数（推荐大数据集） #

如果你的函数计算逻辑可以适配Pandas的向量运算，那最好改成向量化版本，效率会比apply高很多：

def vectorized_FunctionName(a_series, b_series):
    # 这里直接对Series做运算，不需要遍历单个元素
    x = a_series * 2.0
    y = b_series + 5.0
    return x, y

# 直接传入整个列的Series，返回的结果直接赋值给新列
df['A_new'], df['B_new'] = vectorized_FunctionName(df['A'], df['B'])

这样就能顺利把函数返回的x、y分别赋值给A_new和B_new啦～

内容的提问来源于stack exchange，提问作者user96564