Python 创建pandas数据帧的惯用方法，将另一个'；s行

假设我有一个数据帧

将熊猫作为pd导入
输入数据帧（dict（a=[1,2]，b=[2,3]））

我还有一个函数

f

，它将每一行映射到另一个数据帧。下面是这样一个函数的示例。请注意，一般来说，函数可以采用任何形式，因此我不会寻找使用

agg

来重新实现下面的

f

的答案

def（行）：
返回pd.DataFrame（dict（x=[行['a']*行['b']，行['a']+行['b']]，
y=[第['a']**2行，第['b']**2行]）

我想创建一个dataframe，它是应用于第一个dataframe的每一行的函数的串联。这样做的惯用方法是什么

output_df=pd.concat（[f（行）代表_，input_df.iterrows（）中的行）

我想我应该能够使用

apply

或类似的工具来实现这个目的，但似乎没有任何效果

   x  y
0  2  1
1  3  4
0  6  4
1  5  9

---

Yoy应该避免迭代行（）

相反，请尝试：

df = df.assign(product=df.a*df.b, sum=df.sum(axis=1), 
    asq=df.a**2, bsq=df.b**2)

然后：

您可以使用来计算

sum

和

prod

和，/来计算sqaure

out = pd.DataFrame({'x': df.agg(['prod', 'sum'],axis=1).to_numpy().reshape(-1),
                    'y': np.square(df).to_numpy().reshape(-1)})
out

   x  y
0  2  1
1  3  4
2  6  4
3  5  9

---

谢谢你的回答。这看起来对更复杂的

f

不起作用。对于更一般的函数，有一种惯用的方法吗？我将在问题中澄清。谢谢你的回答。这看起来对更复杂的

f

不起作用。对于更一般的函数，有一种惯用的方法吗？我将在问题中澄清这是一个很好的答案，我已经看过了，它涵盖了很多有趣的话题。然而，主要关注点似乎是性能。很多人似乎对性能着迷。我认为编写简单易懂的惯用代码应该是首要目标。如果性能不可接受，则尽可能优化，但不应将其作为主要目标。然而，我想你是在指出，列表理解和pd.concat并没有那么糟糕，甚至可能是惯用的。谢谢。如果你想使用不同的和动态选择的函数，那么np.vectorize就是你的解决方案。在许多情况下，性能和可读性同样重要，如果它同样有效，为什么要选择较慢的选项呢？当你得到问题的答案时

out = pd.DataFrame({'x': df.agg(['prod', 'sum'],axis=1).to_numpy().reshape(-1),
                    'y': np.square(df).to_numpy().reshape(-1)})
out

   x  y
0  2  1
1  3  4
2  6  4
3  5  9