本文介绍如何通过列名列表配合解包操作（*x）高效地将 dataframe 中的多个列作为参数传入自定义函数，避免手动逐列书写，显著提升代码可维护性与扩展性。
在 Pandas 中处理多列数据时，若需将若干列的值批量传入自定义函数（如 myfunction(a, b, c, ...)），直接在 df.apply() 中硬编码 x.A, x.B, x.C, ... 不仅冗长，还难以维护——尤其当列数达 10 列甚至更多时（如 A 到 J）。幸运的是，Pandas 提供了一种简洁、Pythonic 的解决方案：*先用列名列表筛选子 DataFrame，再利用 apply(axis=1) 结合解包操作 `x` 将每行数据自动展开为函数参数**。
具体实现步骤如下：
- 定义列名列表：将目标列名存入列表（如 cols = ['A', 'B', 'C', ..., 'J']）；
- 按列索引获取子 DataFrame：df[cols] 返回仅含指定列的视图；
- 使用 apply + lambda + 解包：df[cols].apply(lambda x: myfunction(*x), axis=1)，其中 *x 将 pd.Series 对象按列顺序解包为独立位置参数，等价于 myfunction(x['A'], x['B'], x['C'], ...)。
以下是一个完整示例：
import pandas as pd
import numpy as np
np.random.seed(26)
df = pd.DataFrame(np.random.randint(10, size=(3, 3)), columns=list('ABC'))
# A B C
# 0 5 6 0
# 1 1 6 3
# 2 0 4 2
def myfunction(a, b, c):
return (a * 2, b + 1, c ** 2) # 示例：对各列执行不同变换
cols = ['A', 'B', 'C']
df['result'] = df[cols].apply(lambda x: myfunction(*x), axis=1)
print(df)
# A B C result
# 0 5 6 0 (10, 7, 0)
# 1 1 6 3 (2, 7, 9)
# 2 0 4 2 (0, 5, 4)✅ 优势说明：
- ✅ 列名集中管理，增删列只需修改 cols 列表，无需改动 apply 行；
- ✅ 自动保持参数顺序与列名列表一致，避免人为错位；
- ✅ 兼容任意数量参数的函数（只要列数与函数形参个数匹配）。
⚠️ 注意事项：
- 确保 cols 中的列名全部存在于 df.columns 中，否则会触发 KeyError；建议添加校验：assert all(col in df.columns for col in cols)；
- 函数参数顺序必须严格对应 cols 列表中的列顺序；
- 若需传入非列数据（如常量、外部变量），可改用 functools.partial 或闭包封装，而非依赖 *x 解包；
- 性能敏感场景下，优先考虑向量化操作（如 np.where, Series.str 方法）或 numba 加速，apply(axis=1) 属于逐行 Python 循环，速度较慢。
综上，借助列名列表与星号解包，你能在保持代码清晰的同时，灵活、安全地将大量列数据注入任意函数，是 Pandas 高级数据处理中不可或缺的实用技巧。
