df.max(axis=1)返回NaN仅当某行全为NaN；默认skipna=True但需至少一个非空值，整行为空时无定义。

为什么 df.max(axis=1) 有时返回 NaN 而不是数字

因为只要某一行中任意一列是 NaN，max() 默认不跳过它（skipna=True 是默认值，但前提是该行至少有一个非空值）。真正出问题的是整行全为 NaN —— 此时 max() 无定义，只能返回 NaN。

实操建议：

• 先用 df.dropna(how='all') 清理全空行，或用 df.fillna(-float('inf')) 把空值垫底（注意业务含义）
• 确认参与计算的列：别直接对含字符串列的 DataFrame 调用 max(axis=1)，会报 TypeError: max() is not supported for this dtype
• 若只关心数值列，显式传入： df.select_dtypes(include='number').max(axis=1)

用 apply() + max 替代 max(axis=1) 的真实代价

表面上更灵活，比如可以写 df.apply(lambda x: max(x.dropna()), axis=1)，但性能差一个数量级。Pandas 的 max(axis=1) 是底层 Cython 实现，而 apply 是 Python 循环。

实操建议：

• 99% 场景坚持用 max(axis=1)，它足够健壮
• 只有当需要混合类型比较、或自定义忽略规则（如忽略负数）时，才考虑 apply，并提前用 numba.jit 或向量化逻辑重写
• 测试时对比耗时：对 10 万行 × 10 列数据，max(axis=1) 通常在 5ms 内，apply(..., axis=1) 可能超过 300ms

max(axis=1) 在多索引 DataFrame 中的行为

它完全不关心索引层级，只按行物理位置算最大值。如果行索引有重复或非连续，结果顺序仍严格对应原始 iloc 顺序。

实操建议：

• 若需按某个索引层级分组后取每组内各行最大值，不要用 axis=1，改用 groupby(level=...).apply(lambda x: x.max(axis=1))
• 多索引列下，max(axis=1) 会把所有列扁平化处理，不区分二级列名；如有列名冲突（如多个 ('A', 'val')），会静默合并 —— 建议先用 df.columns = df.columns.map('_'.join) 去重

和 numpy.max 混用时的隐式类型转换陷阱

当你写 np.max(df.values, axis=1)，Pandas 会先把 DataFrame 转成 ndarray，此时如果列类型不一致（比如混了 int64 和 float64），整个数组会升格为 object 类型，np.max 直接抛错：TypeError: unorderable types: str() > int()。

实操建议：

• 避免直接对 df.values 调 np.max；优先用 Pandas 原生方法
• 非要转 numpy，先统一类型：df.astype(float).values，再调 np.max(..., axis=1)
• 注意 np.max 默认不跳过 NaN，必须显式加 keepdims=False 和 initial=-np.inf 才等价于 Pandas 行为

事情说清了就结束