Pandas多列应用自定义转换函数触发TypeError问题求助

我明白你遇到的困扰了——单列处理完全正常，多列一起操作就报错，这其实是DataFrame的apply和Series的apply行为差异导致的。让我给你拆解清楚根源，再提供几个实用的解决办法：

问题到底出在哪？ #

当你对单个列（Series）调用apply时，Pandas会把列里的每个元素单独传给你的函数，这时候num是单个字符串或数值，你的逻辑完全适配。

但当你对多列（DataFrame）调用apply时，默认行为是把每一列作为一个完整的Series传给函数，这时候num不再是单个值，而是一整列数据。你的函数里用" - " in num去判断，自然会触发TypeError——因为没法直接检查字符串是否存在于Series中。

解决方案1：用applymap替代apply #

如果你想保留自定义函数的逻辑，只需要把apply换成applymap就行——它专门用来对DataFrame的每个元素逐一遍历处理，和Series的apply行为完全一致：

import pandas as pd
import numpy as np

def convert_dash_comma_into_float(num):
    if isinstance(num, str):  # 先判断是否为字符串，避免非字符串值做无效操作
        if " - " in num:
            num = num.replace(" - ", "0.0")
        elif "," in num:
            num = num.replace(',', '')
    try:
        return float(num)
    except ValueError:
        return np.nan

# 多列处理时用applymap
df[["rpks", "asks", "pax"]] = df[["rpks", "asks", "pax"]].applymap(convert_dash_comma_into_float)

我给函数加了isinstance(num, str)的判断，能避免遇到已经是数值类型的元素时做无效操作，更稳妥。

解决方案2：用向量化操作替代逐元素函数（更高效） #

Pandas的向量化操作比逐元素循环快得多，尤其是数据量大的时候。你可以用str.replace批量处理字符串，再转成数值：

# 链式写法一步到位：替换特殊值→删除逗号→转数值（无法转换的设为NaN）
df[["rpks", "asks", "pax"]] = (
    df[["rpks", "asks", "pax"]]
    .replace(" - ", "0.0", regex=False)
    .replace(",", "", regex=False)
    .apply(pd.to_numeric, errors='coerce')
)

这里用pd.to_numeric的errors='coerce'参数，自动把无法转换的值变成NaN，省去了手动写try-except的麻烦。

解决方案3：修改自定义函数支持Series输入 #

如果你一定要用DataFrame的apply，可以修改函数让它能直接处理Series：

def convert_dash_comma_into_float_series(series):
    # 批量替换特殊值和逗号
    series = series.str.replace(" - ", "0.0", regex=False)
    series = series.str.replace(",", "", regex=False)
    # 转成数值，无法转换的设为NaN
    return pd.to_numeric(series, errors='coerce')

# 多列处理时用apply，默认按列传递Series
df[["rpks", "asks", "pax"]] = df[["rpks", "asks", "pax"]].apply(convert_dash_comma_into_float_series)

这种方式也是向量化的，效率比applymap更高。

测试你的样本数据 #

用你提供的样本数据测试的话，原始数据里的" - "会被转成0.0，带逗号的数值会去掉逗号并转成float，最终结果完全符合预期。

内容的提问来源于stack exchange，提问作者Hannan