向量化优先#

1
df["name"] = df["name"].str.strip()
2
df["amount"] = pd.to_numeric(df["amount"], errors="coerce")
3
df["is_large"] = df["amount"] >= 1000

这些操作不需要逐行函数，pandas 已经提供了专门的方法。

apply 适合什么场景#

当逻辑确实依赖多列组合，且向量化表达过于绕时，可以用 apply(axis=1)。但要意识到它通常更慢，数据量大时需要重新设计。

1
def label(row):
2
    if row["amount"] >= 1000 and row["vip"] == 1:
3
        return "high_value"
4
    return "normal"
5

6
df["label"] = df.apply(label, axis=1)

可以替代 apply 的写法#

1
import numpy as np
2

3
df["label"] = np.where(
4
    (df["amount"] >= 1000) & (df["vip"] == 1),
5
    "high_value",
6
    "normal",
7
)

条件分支简单时，np.where 或 np.select 更适合。

判断标准#

• 数据量很小，以可读性为主，可以接受 apply。

• 数据量很大，优先向量化或分块处理。

• 逻辑涉及外部 API 或文件 IO，不适合直接在 apply 里跑。

• 写完后用小样本手动验证几行结果。

实战复盘#

写《pandas apply 与向量化》这类数据分析文章时，我会强制保留“检查点”。因为数据分析里最危险的不是报错，而是代码顺利跑完却得到错误结论。

一个合格的 pandas 步骤，至少要能回答：输入多少行、输出多少行、哪些字段被修改、失败值有多少、是否有样本可以人工复核。缺少这些信息，代码就很难进入正式流程。

如果以后把这些文章串成系列，可以按读取、检查、清洗、变换、统计、导出排列。这样读者能从原始数据一路走到可交付结果。

最小验收样例#

验收《pandas apply 与向量化》时，我会手写一个三到五行的小 DataFrame：一行正常数据，一行缺失或异常数据，一行边界数据。先让示例在小表上跑通，再换成完整数据集。

小表的好处是结果可以人工计算。只要人工结果和 pandas 输出对不上，就说明代码逻辑或字段口径还没想清楚。这个过程比直接在大表上调试更可靠。

小结#

apply 不是不能用，而是要知道它的成本。能向量化就向量化，复杂业务逻辑再用 apply 保持清晰。