本文介绍在 pandas 中通过列名列表动态选取多列，并利用 `apply()` 和解包操作符 `*` 将其高效传入自定义函数的方法，避免手动书写冗长的列引用，提升代码可维护性与扩展性。

在使用 Pandas 进行数据处理时，常需将多列数据联合传入自定义函数（如特征工程、复合计算等）。当列数较多（例如 A–J 共 10 列）时，逐个写 x.A, x.B, ..., x.J 不仅繁琐，还易出错且难以维护。理想方案是：先将列名存入列表，再统一提取并解包传参。

核心技巧在于两点：

1. 使用 df[cols] 按列名列表索引子 DataFrame（返回按指定顺序排列的列）；
2. 在 apply() 的 lambda 中，用 *x 将每行 Series 解包为位置参数，自动匹配函数形参。

以下为完整示例：

应用程序在线商店宣传网站模板

应用程序在线商店宣传网站模板是一款提供免费应用程序在线商店宣传网站模板下载。提示：本模板调用到谷歌字体库，可能会出现页面打开比较缓慢。

下载

import pandas as pd
import numpy as np

np.random.seed(26)
df = pd.DataFrame(np.random.randint(10, size=(3, 3)), columns=list('ABC'))
print("原始数据：")
print(df)
#    A  B  C
# 0  5  6  0
# 1  1  6  3
# 2  0  4  2

def myfunction(a, b, c):
    return (a, b, c)  # 示例：返回元组

cols = ['A', 'B', 'C']  # ✅ 列名列表，支持任意长度和顺序
df['out'] = df[cols].apply(lambda x: myfunction(*x), axis=1)
print("\n添加计算结果列：")
print(df)
#    A  B  C        out
# 0  5  6  0  (5, 6, 0)
# 1  1  6  3  (1, 6, 3)
# 2  0  4  2  (0, 4, 2)

⚠️ 注意事项：

• 函数形参顺序必须与 cols 列表中列名的顺序严格一致；
• df[cols].apply(..., axis=1) 返回的是 Series，每行 x 是一个 pd.Series，*x 会按索引顺序（即 cols 顺序）解包其值；
• 若函数需处理缺失值，建议在函数内部增加 pd.isna() 判断，或提前用 dropna(subset=cols) 过滤；
• 对于性能敏感场景，优先考虑向量化操作（如 np.where, pd.cut）或 numba 加速，apply(axis=1) 在大数据量下较慢。

该方法简洁、通用、可读性强，是 Pandas 高级用法中的实用范式。