为何Pandas apply在函数无return时返回NaN而非保留原值？

为什么会出现NaN？ #

当使用apply时，Pandas会将Series的每个元素传入函数，函数返回什么就会存入结果的对应位置。你的scale_positive函数在x <= 0时没有显式返回值，Python会隐式返回None。而Pandas的Series无法直接存储None（整数类型的Series会自动转为浮点类型），所以None会被转换为NaN——不是Pandas不保留原值，是你的函数根本没返回原值。

条件转换、其余元素保留原值的惯用方法 #

方法1：修正自定义函数，显式返回原值 #

给函数补上分支，确保所有情况都有返回值：

import pandas as pd

def scale_positive(x):
    if x > 0:
        return x * 10
    else:
        return x  # 显式返回原值

s = pd.Series([5, -2, 0, 8, -1])
result = s.apply(scale_positive)
print(result)

输出：

0    50
1    -2
2     0
3    80
4    -1
dtype: int64

方法2：使用Pandas原生的where/mask（推荐，矢量操作更高效） #

where会保留满足条件的元素，替换不满足的；mask则相反，替换满足条件的元素：

import pandas as pd

s = pd.Series([5, -2, 0, 8, -1])
# 保留s<=0的元素，将s>0的替换为s*10
result = s.where(s <= 0, s * 10)
# 或用mask：替换s>0的元素为s*10，其余保留
# result = s.mask(s > 0, s * 10)
print(result)

输出和方法1一致，且这种矢量运算比apply逐元素处理效率更高，适合大数据量场景。

方法3：结合numpy.where #

利用numpy的矢量条件判断实现：

import pandas as pd
import numpy as np

s = pd.Series([5, -2, 0, 8, -1])
result = pd.Series(np.where(s > 0, s * 10, s), index=s.index)
print(result)

针对DataFrame的情况 #

如果要对DataFrame的某一列做条件转换，方法类似：

import pandas as pd

df = pd.DataFrame({'value': [5, -2, 0, 8, -1], 'other': [1,2,3,4,5]})
# 用apply实现
df['value'] = df['value'].apply(lambda x: x*10 if x>0 else x)
# 用where实现
df['value'] = df['value'].where(df['value'] <=0, df['value']*10)

内容的提问来源于stack exchange，提问作者Джон Сноу