python lambda VS.def func（）：

以下两个函数应该是相同的，但当我使用lambda时，我不断得到

“ValueError:（'序列的真值不明确。请使用a.empty， a、 bool（）、a.item（）、a.any（）或a.all（）'，u'出现在索引0'）”

lambda不工作的原因是什么

------这会产生错误-------------

df['flag']=df.apply（如果df.a>df.b或df.a

--------然而，这是可行的------------

def标记（df）：
如果df.a>df.b：
返回1
elif df.a

错误说明您正在将数组与标量进行比较，这在语义上与仅比较标量值不同：

In [55]:    
df = pd.DataFrame(np.random.randn(5,3), columns=list('abc'))
df

Out[55]:
          a         b         c
0  0.273142 -0.961078  0.715027
1  0.131964  1.049724 -0.928581
2 -1.015484 -1.927166 -1.633281
3  0.766749 -0.312187 -0.473424
4 -0.427227  1.105844 -0.125702

如果将lambda更改为使用实际行值，则它将根据需要工作：

In [56]:
df['flag']= df.apply(lambda x: 1 if (x.a> x.b) | (x.a < x.c) else 0, axis=1)
df

Out[56]:
          a         b         c  flag
0  0.273142 -0.961078  0.715027     1
1  0.131964  1.049724 -0.928581     0
2 -1.015484 -1.927166 -1.633281     1
3  0.766749 -0.312187 -0.473424     1
4 -0.427227  1.105844 -0.125702     1

这在整个df上使用布尔掩码，然后以矢量化方式设置行值

计时

In [61]:
%%timeit
def flagout(df):
    if df.a> df.b:
        return 1
    elif df.a< df.c:
        return 1
    else:
        return 0
​
df.apply(flagout, axis=1)

1 loops, best of 3: 284 ms per loop

In [59]:

%timeit np.where((df.a> df.b) | (df.a < df.c),1,0)
1000 loops, best of 3: 560 µs per loop

[61]中的

%%时间
def标志（df）：
如果df.a>df.b：
返回1
elif df.adf.b）|（df.a

---

您可以看到，在4k行df上，

np。其中

快了约600倍

我不认为lambda等同于函数flagout

---

如果x.a>x.b或x.alambda x:1，以便与函数等效。

是否

df['flag']=df.apply（lambda x:1如果（df.a>df.b）|（df.a

起作用？您的

lambda

忽略其参数，但函数不起作用。

def flagout（df）：

接受一个参数

df

–

lambda x:

接受

x

作为参数名（但仍然在其主体中使用

df

，它引用了其他内容）.您的lambda和函数有点奇怪，因为您正在逐行迭代并在方法版本中传递该行，但在lambda中，您正在逐行迭代，但试图比较整个dfget。错误在我使用的lambda中。而不是实参数x。现在它工作得很好。谢谢

In [56]:
df['flag']= df.apply(lambda x: 1 if (x.a> x.b) | (x.a < x.c) else 0, axis=1)
df

Out[56]:
          a         b         c  flag
0  0.273142 -0.961078  0.715027     1
1  0.131964  1.049724 -0.928581     0
2 -1.015484 -1.927166 -1.633281     1
3  0.766749 -0.312187 -0.473424     1
4 -0.427227  1.105844 -0.125702     1

df['flag']= df.apply(lambda x: 1 if df.a> df.b or df.a < df.c else 0, axis=1)

In [57]:
df['flag']= np.where((df.a> df.b) | (df.a < df.c),1,0)
df

Out[57]:
          a         b         c  flag
0  0.273142 -0.961078  0.715027     1
1  0.131964  1.049724 -0.928581     0
2 -1.015484 -1.927166 -1.633281     1
3  0.766749 -0.312187 -0.473424     1
4 -0.427227  1.105844 -0.125702     1

In [61]:
%%timeit
def flagout(df):
    if df.a> df.b:
        return 1
    elif df.a< df.c:
        return 1
    else:
        return 0
​
df.apply(flagout, axis=1)

1 loops, best of 3: 284 ms per loop

In [59]:

%timeit np.where((df.a> df.b) | (df.a < df.c),1,0)
1000 loops, best of 3: 560 µs per loop