假设我有一个 MultiIndex 系列s：
>>> s
values
a b
1 2 0.1
3 6 0.3
4 4 0.7
我想应用一个使用行索引的函数：
def f(x):
# conditions or computations using the indexes
if x.index[0] and ...:
other = sum(x.index) + ...
return something
我该怎么做s.apply(f)这样的功能？进行这种操作的推荐方法是什么？我希望获得一个新系列，其中该函数产生的值应用于每一行和相同的 MultiIndex。
我不相信apply可以访问索引；如您所见，它将每一行视为一个 numpy 对象，而不是一个系列：
In [27]: s.apply(lambda x: type(x))
Out[27]:
a b
1 2 <type 'numpy.float64'>
3 6 <type 'numpy.float64'>
4 4 <type 'numpy.float64'>
要解决此限制，请将索引提升到列，应用您的函数，并使用原始索引重新创建 Series。
Series(s.reset_index().apply(f, axis=1).values, index=s.index)
其他方法可能会使用s.get_level_values，在我看来，这通常会变得有点难看，或者s.iterrows()，这可能会更慢——也许取决于具体做什么f。
让它成为一个框架，如果你想返回标量（所以结果是一个系列）
设置
In [11]: s = Series([1,2,3],dtype='float64',index=['a','b','c'])
In [12]: s
Out[12]:
a 1
b 2
c 3
dtype: float64
打印功能
In [13]: def f(x):
print type(x), x
return x
....:
In [14]: pd.DataFrame(s).apply(f)
<class 'pandas.core.series.Series'> a 1
b 2
c 3
Name: 0, dtype: float64
<class 'pandas.core.series.Series'> a 1
b 2
c 3
Name: 0, dtype: float64
Out[14]:
0
a 1
b 2
c 3
由于您可以在此处返回任何内容，因此只需返回标量（通过name属性访问索引）
In [15]: pd.DataFrame(s).apply(lambda x: 5 if x.name == 'a' else x[0] ,1)
Out[15]:
a 5
b 2
c 3
dtype: float64
转换为DataFrame并沿行应用。您可以将索引作为x.name. x也是一个Series值为 1 的 now
s.to_frame(0).apply(f, axis=1)[0]
您可能会where发现它使用起来比这里更快apply：
In [11]: s = pd.Series([1., 2., 3.], index=['a' ,'b', 'c'])
In [12]: s.where(s.index != 'a', 5)
Out[12]:
a 5
b 2
c 3
dtype: float64
您还可以对任何部分使用 numpy 样式的逻辑/函数：
In [13]: (2 * s + 1).where((s.index == 'b') | (s.index == 'c'), -s)
Out[13]:
a -1
b 5
c 7
dtype: float64
In [14]: (2 * s + 1).where(s.index != 'a', -s)
Out[14]:
a -1
b 5
c 7
dtype: float64
我建议测试速度（因为应用效率取决于功能）。虽然，我发现applys 更具可读性......
如果您使用 DataFrame.apply() 而不是 Series.apply()，则可以将整行作为函数内的参数访问。
def f1(row):
if row['I'] < 0.5:
return 0
else:
return 1
def f2(row):
if row['N1']==1:
return 0
else:
return 1
import pandas as pd
import numpy as np
df4 = pd.DataFrame(np.random.rand(6,1), columns=list('I'))
df4['N1']=df4.apply(f1, axis=1)
df4['N2']=df4.apply(f2, axis=1)
用于reset_index()将 Series 转换为 DataFrame 并将索引转换为列，然后apply将您的函数转换为 DataFrame。
棘手的部分是知道如何reset_index()命名列，所以这里有几个例子。
s=pd.Series({'idx1': 'val1', 'idx2': 'val2'})
def use_index_and_value(row):
return 'I made this with index {} and value {}'.format(row['index'], row[0])
s2 = s.reset_index().apply(use_index_and_value, axis=1)
# The new Series has an auto-index;
# You'll want to replace that with the index from the original Series
s2.index = s.index
s2
输出：
idx1 I made this with index idx1 and value val1
idx2 I made this with index idx2 and value val2
dtype: object
这里的概念相同，但您需要访问索引值，row['level_*']因为它们是由Series.reset_index().
s=pd.Series({
('idx(0,0)', 'idx(0,1)'): 'val1',
('idx(1,0)', 'idx(1,1)'): 'val2'
})
def use_index_and_value(row):
return 'made with index: {},{} & value: {}'.format(
row['level_0'],
row['level_1'],
row[0]
)
s2 = s.reset_index().apply(use_index_and_value, axis=1)
# Replace auto index with the index from the original Series
s2.index = s.index
s2
输出：
idx(0,0) idx(0,1) made with index: idx(0,0),idx(0,1) & value: val1
idx(1,0) idx(1,1) made with index: idx(1,0),idx(1,1) & value: val2
dtype: object
如果您的系列或索引有名称，则需要进行相应调整。