OML4Py 的 DataFrame 不支持 apply() 方法，需改用向量化运算（如 +、-）配合 concat() 添加新列，以实现等效的行级计算逻辑。
oml4py 的 dataframe 不支持 `apply()` 方法，需改用向量化运算（如 `+`、`-`）配合 `concat()` 添加新列，以实现等效的行级计算逻辑。
OML4Py 是 Oracle Machine Learning for Python 的客户端库，其 oml.DataFrame 专为数据库后端优化设计，底层基于 Oracle Database 表或视图，因此不提供 Pandas 风格的 apply() 这类逐行 Python 回调操作——该操作会破坏延迟执行与下推优化，违背 OML 的高性能设计理念。
要实现类似 df.apply(lambda row: row['VAL_1'] + row['VAL_2'] + 100, axis=1) 的效果，应采用向量化表达式 + concat() 的组合方式：
# ✅ 正确：使用列运算生成新 Series，再通过 concat 合并
new_col = oml_df['VAL_1'] + oml_df['VAL_2'] + 100
oml_df = oml_df.concat({"VAL_NEW": new_col})
该写法将计算下推至数据库执行（如 SQL SELECT val_1 + val_2 + 100 AS val_new FROM ...），显著提升性能与可扩展性。注意：
- 所有参与运算的列必须已存在于 oml_df 中；
- concat() 接受字典 {列名: oml.Series}，返回一个新的 oml.DataFrame（不可原地修改）；
- 若需链式操作，建议连续赋值或封装为函数复用。
⚠️ 补充说明：
- 避免尝试 .apply() 或 .map() —— 它们在 OML4Py 中未实现，强行调用将触发 AttributeError；
- 复杂逻辑（如条件分支、字符串解析）可借助 oml.expr() 构建 SQL 表达式，或使用 oml.transform() 调用数据库内置函数（如 CASE WHEN, REGEXP_SUBSTR）；
- 如确需 Python 级逐行处理（仅限小数据集调试），可先调用 oml_df.as_pandas() 转为 Pandas DataFrame，但会失去数据库加速优势，不推荐生产环境使用。
总之，拥抱向量化思维与数据库原生能力，是高效使用 OML4Py 的关键原则。
