最安全直观的方式是对单列用df[col_name].apply(func)；df.apply(func, axis=1)是按行操作而非按列，易导致报错或结果错误；axis=0（默认）才按列处理，但需函数适配Series输入。
直接说结论：对 DataFrame 整列应用自定义函数，用 df[col_name].apply(func) 最安全、最直观；非要用 df.apply() 就必须设 axis=0（默认值），且函数必须能处理 Series —— 但很多人误设 axis=1 导致出错或结果错乱。
为什么 df.apply(func, axis=1) 不是“对列操作”
axis=1 表示按行遍历，即把每一行（Series）传给你的函数。这时函数收到的是横向切片（比如 pd.Series({'A': 1, 'B': 2, 'C': 3})），不是你想要的“整列”。常见错误现象包括：
- 函数报错
AttributeError: 'Series' object has no attribute 'lower'（试图对行调用字符串方法） - 返回结果形状变成
(n_rows,)，但被错误地广播成新列（值全一样） - 原意是清洗
'name'列，结果却把所有列拼成字符串再处理
df[col].apply() 是最推荐的写法
明确指定列名，语义清晰，性能好，且不依赖 axis 理解是否准确。适用于绝大多数单列转换场景：
- 字符串处理：
df['email'].apply(lambda x: x.strip().lower() if pd.notna(x) else x) - 数值分箱：
df['age'].apply(lambda x: 'adult' if x >= 18 else 'minor') - 调用外部函数：
df['timestamp'].apply(parse_datetime)（只要parse_datetime接收单个值）
注意：如果函数本身要求接收 Series（比如用到了 .str.contains() 或 .dt.year），那就别用 .apply()，直接链式调用更高效：df['date'].dt.year、df['text'].str.upper()。
非要用 df.apply() 处理多列时，axis=0 才是对列
df.apply(func, axis=0)（axis=0 是默认值，可省略）会把每一列作为 Series 传入函数。此时函数签名必须是 def func(series: pd.Series) -> any：
让 macOS 自动化像说话一样简单 —— 用代码控制你的 Mac，无需学习 AppleScript 系统要求 macOS 14+ (Sonoma) Python 3.9+ 需要开启：辅助功能 + 屏幕录制权限
def normalize_col(s):
return (s - s.mean()) / s.std() if s.dtype in ['float64', 'int64'] else s
<h1>正确：对数值列做标准化，其他列保持原样</h1><p>df.apply(normalize_col)</p>
容易踩的坑：
- 误写
df.apply(lambda x: x.str.lower(), axis=0)——x是Series，但.str只对Series[str]有效，若某列是int就报错 - 返回值长度和输入列不一致（比如函数里用了
return s.iloc[:2]），会导致结果列变短或对齐失败 - 混合类型列（如含
None和字符串）调用.lower()前没判空，触发AttributeError
性能与可读性提醒
df[col].apply() 比 df.apply(..., axis=0) 快，因为跳过了列间类型检查和对齐逻辑；而向量化方法（.str、.dt、np.where）又比 .apply() 快 10–100 倍。真正需要 .apply() 的，通常是逻辑复杂、无法向量化的业务规则。另外，axis 参数只在 df.apply() 中生效，Series.apply() 没有这个参数——这点很容易被文档带偏。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
