df.apply()默认axis=0按列传Series，无法直接多列运算；需设axis=1传整行Series，再用x['col']取值，注意类型、缺失值及性能问题。
为什么 df.apply() 默认只对单列/单行生效，不能直接写多列运算？
因为 df.apply() 的默认 axis=0 是按列遍历，传给函数的是每个 Series；设成 axis=1 虽然能拿到整行（Series），但此时列名、类型、缺失值对齐全靠你自己处理——它不自动把多列打包成元组或字典传进去。
常见错误现象：TypeError: <lambda>() missing 2 required positional arguments</lambda>，是因为你写了 lambda x, y, z: ...，但 apply 只扔一个参数（Series）进来。
- 必须用
axis=1才能访问多列，且函数接收的是整行Series，通过.loc或方括号取值 - 别在 lambda 里写多个形参，那是误解了数据流向
- 如果逻辑复杂，优先写普通函数，比嵌套 lambda 更易读、易调试
df.apply(lambda x: ..., axis=1) 怎么安全取多列值？
用 x['col_a'] 或 x.loc['col_a'] 最稳妥。注意：列名必须存在，且大小写、空格、特殊字符要完全一致；如果某行该列是 NaN，取值后仍是 NaN，后续计算可能触发 TypeError。
使用场景：比如同时用 price 和 discount_rate 算折后价，或用 start_time 和 end_time 算时长。
立即学习“Python免费学习笔记（深入）”；
- 推荐用
x['col_name']，比x.col_name更健壮（避免列名含空格或与内置属性冲突） - 加
try/except不现实——apply会中断；改用pd.to_numeric(..., errors='coerce')预处理更靠谱 - 性能影响：
axis=1是 Python 层循环，比向量化慢一个数量级；万级以上数据要考虑numpy.where或pd.eval
df['final_price'] = df.apply(lambda x: x['price'] * (1 - x['discount_rate']), axis=1)
想复用逻辑又不想写函数？用 functools.partial 或闭包更干净
直接在 lambda 里硬编码常量（比如税率、系数）会导致逻辑散落、难维护。与其反复写 lambda x: x['a'] * 0.9 + x['b'] * 0.1，不如把系数抽出来。
参数差异：闭包能捕获外部变量，partial 能预设部分参数，两者都比“把所有东西塞进 lambda”更可控。
- 闭包示例：
make_calculator = lambda rate: lambda x: x['base'] * rate + x['bonus']，然后df.apply(make_calculator(0.8), axis=1) -
partial示例：from functools import partial，def calc(row, rate, bonus_factor): return row['base'] * rate + row['bonus'] * bonus_factor，再df.apply(partial(calc, rate=0.8, bonus_factor=1.2), axis=1) - 闭包和
partial都不会提升性能，但能让测试、修改、复用变得简单
容易被忽略的坑：dtype 混合、缺失值传播、链式赋值警告
多列参与运算时，只要其中一列是 object（比如混了字符串和数字），整个结果列大概率变成 object，后续 sum()、plot() 全报错；而 NaN 在多数算术中静默传播，表面不出错，实则污染结果。
- 务必提前检查：用
df[['col_a', 'col_b']].dtypes确认类型一致，用df[['col_a', 'col_b']].isna().sum()看缺失情况 - 避免链式赋值：不要写
df[df['flag']==1].apply(...)，应先切片再 apply，否则可能触发SettingWithCopyWarning - 兼容性注意：Pandas 2.0+ 对
axis=1的apply返回类型推断更严格，旧代码若依赖隐式类型转换，可能出FutureWarning
真正麻烦的不是语法怎么写，而是你得清楚每一列在每一步里是什么类型、有没有空、边界值怎么处理——这些没法靠 lambda 一行兜住。
