Pandas 代码写得越多，越容易陷入一种惯性：用
apply()
逐行处理，用循环拼接结果，用
groupby
加
merge
绕一大圈完成本可以一行解决的操作。代码能跑结果正确，但行数膨胀、性能也大打折扣，审查时也让人读得费力。
Pandas 本身内置了大量面向列操作的方法，覆盖条件赋值、数据分箱、格式转换、字符串处理等常见场景，只是在日常使用中很容易被忽略。翻阅 Kaggle 高分方案和生产级数据管道的源码后会发现，那些看起来简洁的一行代码并非技巧，而是对库本身设计意图的理解。
本文整理了10个这样的写法，每个都附带常见的冗长版本作为对照。
1、 用 np.select() 替代嵌套的 if/else来创建多条件列
创建条件列最常见的写法是
apply()
加自定义函数。能跑，但在大型 DataFrame 上慢得肉眼可见。
常见写法：
defcategorize(row):
ifrow['score'] >=90:
return'A'
elifrow['score'] >=80:
return'B'
elifrow['score'] >=70:
return'C'
else:
return'F'
df['grade'] =df.apply(categorize, axis=1)
换一种方式：
importnumpyasnp
conditions= [df['score'] >=90, df['score'] >=80, df['score'] >=70]
df['grade'] =np.select(conditions, ['A', 'B', 'C'], default='F')
np.select() 是向量化操作，一次性处理整个数组而非逐行循环。在百万行的 DataFrame 上，比
apply()
快50到100倍并不罕见。可读性更好只是附带的好处。
2、 链式调用 .assign()构建列，不打断代码流
写过一堆
df['new_col'] = ...
赋值语句堆在一起的人，换用
.assign()
之后代码结构会清晰很多。
# 用assign替代三行独立的赋值语句...
df= (
df.assign(
full_name=lambdax: x['first'] +' '+x['last'],
email_domain=lambdax: x['email'].str.split('@').str[1],
is_active=lambdax: x['last_login'] >'2025-01-01'
)
)
.assign() 返回新的 DataFrame，天然适合方法链。每个 lambda 接收的是链中当前状态的 DataFrame，同一次调用里后面的列可以引用前面的列。特征工程管道中一次性构建五六个派生列时尤其实用。
3、 用 pd.cut() 和 pd.qcut()对连续数据分箱
对连续数据做分箱，过去的做法是手写条件判断。Pandas 内置了两个专用函数：
# 等宽分箱（固定区间）
df['age_group'] =pd.cut(df['age'], bins=[0, 18, 35, 50, 65, 100],
labels=['Teen', 'Young Adult', 'Mid', 'Senior', 'Elder'])
# 等频分箱（每个箱中的记录数相同）
df['income_quartile'] =pd.qcut(df['income'], q=4, labels=['Q1', 'Q2', 'Q3', 'Q4'])
两者的差异比多数人意识到的更关键。pd.cut() 按固定宽度划分区间，适合年龄段这类有明确范围的场景；pd.qcut() 按观测值数量均分，在机器学习或统计分析中构建均衡分组时正好对应需求。
4、 用 .melt() 和 .pivot_table()一步完成数据重塑
宽格式与长格式之间的转换，花了远比愿意承认的更久才摸清楚。
宽转长：
df_long=df.melt(
id_vars=['student'],
value_vars=['math', 'science', 'english'],
var_name='subject',
value_name='score'
)
长转宽：
df_wide=df_long.pivot_table(
index='student',
columns='subject',
values='score',
aggfunc='mean'
)
两者组合大约覆盖了80%的数据重塑场景。.melt() 将宽 DataFrame 拆成长格式，.pivot_table() 反向操作的同时允许在透视过程中做聚合。给 Seaborn 喂数据或搭报表仪表板时，熟练掌握它们能省下不少时间。
5、 用增强版 .describe() 一行完成 DataFrame 概要分析
.describe()
人人都知道，但通过自定义百分位数可以将覆盖范围扩展到所有列类型：
df.describe(include='all', percentiles=[.01, .05, .25, .5, .75, .95, .99])
几乎每个新数据集上还会运行另一个操作——一次性获取所有字符串列中频率最高的前3个值：
df.select_dtypes(include='object').apply(lambdacol: col.value_counts().head(3))
初始数据探索时在
.info()
和
.describe()
之后紧接着跑一次，异常的分类值很快就会暴露出来。需要更系统的分析工作流时，ydata-profiling（原 pandas-profiling）一个函数调用就能生成完整的 HTML 报告。
6、 用 .query() 做可读的类 SQL 筛选
过去写筛选条件一直是下面这种风格：
result=df[(df['age'] >25) & (df['city'] =='Delhi') & (df['salary'] >50000)]
满屏的括号和
&
，容易写错，code review 时读起来也累。
.query()
的写法接近原生 SQL：
result=df.query("age > 25 and city == 'Delhi' and salary > 50000")
外部变量用
@
前缀引用：
min_salary=50000
result=df.query("salary > @min_salary")
.query() 在
numexpr
可用时会在底层调用它，对大数据集上的复杂条件有加速效果。不过真正让人坚持用它的原因是，三个月后回来读代码时条件表达一目了然。
7、 用 .transform() 替代 groupby + merge
生产代码里经常出现下面的模式，写法总是比必要的复杂：
# 三行代码加一次merge来获取部门平均值
avg_salary=df.groupby('department')['salary'].mean().reset_index()
avg_salary.columns= ['department', 'dept_avg_salary']
df=df.merge(avg_salary, on='department')
.transform()
一行就够：
df['dept_avg_salary'] =df.groupby('department')['salary'].transform('mean')
.transform() 把组级别的计算结果广播回原始索引，每行直接拿到所属组的聚合值，不需要任何 merge。
sum
、
std
、
count
、
rank
、自定义 lambda 都适用。
8、 用 pd.to_datetime()配合 errors='coerce' 自动解析混乱日期
现实数据里日期格式几乎不会是干净的——同一列混着
"March 5, 2024"
、
"2024-03-05"
和
"05/03/24"
是常态。手动逐条处理并不现实。
df['date'] =pd.to_datetime(df['date_string'], errors='coerce', infer_datetime_format=True)
errors='coerce'
把无法解析的日期转为
NaT
（Not a Time）而不是抛出异常，随后可以检查失败的记录：
failed=df[df['date'].isna() &df['date_string'].notna()]
print(f"{len(failed)} dates couldn't be parsed")
拿到干净的 datetime 列之后，用
.dt
访问器批量提取时间特征：
df=df.assign(
year=df['date'].dt.year,
month=df['date'].dt.month,
day_of_week=df['date'].dt.day_name(),
is_weekend=df['date'].dt.dayofweek.ge(5)
)
pd.to_datetime() 覆盖了90%的日期清洗场景。格式极端混乱时可能需要
dateutil
或手写解析逻辑，但那种情况远比想象中少见。
9、 用 .explode() 展开单元格中的列表
JSON API 或 NoSQL 导出的数据中，列表值嵌在 DataFrame 单元格里是常见现象。以前要把它们拆开，得写一段不短的循环。
df=pd.DataFrame({
'user': ['Alice', 'Bob'],
'skills': [['Python', 'SQL', 'Spark'], ['Java', 'Scala']]
})
df_exploded=df.explode('skills')
.explode() 从 Pandas 0.25 开始引入，列表中的每个元素单独成行，其余列自动复制。反向操作——将行折叠回列表——用
.groupby().agg(list)
即可。
10、 用向量化字符串方法替代字符串 apply()
字符串操作是 Pandas 中最容易踩的性能坑。遇到字符串处理就条件反射地写
apply()
，但
.str
下有一整套向量化方法，执行速度快得多。
慢速写法：
df['clean_name'] =df['name'].apply(lambdax: x.strip().lower().replace(' ', '_'))
快速写法：
df['clean_name'] =df['name'].str.strip().str.lower().str.replace(' ', '_', regex=False)
.str
访问器覆盖了
.contains()
、
.extract()
、
.findall()
、
.split()
、
.pad()
、
.zfill()
等数十种方法。百万行数据集上全面弃用
apply()
可以换来5到10倍的速度差距。
总结
以上10个写法的共同点在于：放弃逐行处理的思路，转向列级别的向量化操作。这不只是代码风格的偏好，而是 Pandas 底层基于 NumPy 数组设计的必然结果——顺着库的设计方向写，代码自然会更短、更快、更易维护。
如果在数据规模上遇到 Pandas 的性能天花板，Polars 是目前最值得评估的替代方案——基于 Rust 实现，在不少工作负载下有明显的速度优势。
by Aashish Kumar