本文介绍如何高效地将一个返回多值的自定义函数（如 `computeleft`）仅应用于 dataframe 的特定行索引，其余位置自动填充为 nan，避免全量计算，兼顾性能与可读性。
在实际数据处理中，我们常需对 DataFrame 的部分行（而非全部）执行复杂计算，并将结果写入多个列。例如，函数 computeLeft(i) 接收索引 i，返回长度为 4 的 NumPy 数组 [2i, 3i, 4i, 5i]，期望将其结果分别填入 ["val1", "val2", "val3", "val4"] 四列中——但仅针对指定索引（如 [2, 5, 7, 8, 10]）的行，其余行对应位置应保持为 NaN。
直接使用 np.vectorize 全量计算（如 df[results] = np.vectorize(...)(range(len(df)))）虽可行，但效率低且不满足“按需计算”需求。更优解是：先初始化目标列为 NaN，再通过 .loc 精准赋值。具体步骤如下：
-
确保函数签名正确：computeLeft 应返回标准 NumPy 数组（非 Python list），并用 np.vectorize 显式声明输出形状（signature="()->(4)"）：
def computeLeft(i): return np.array([i*2, i*3, i*4, i*5]) computeLeft_vec = np.vectorize(computeLeft, signature="()->(4)") -
预分配目标列并填充 NaN：
results = ["val1", "val2", "val3", "val4"] df[results] = np.nan # 所有行初始化为 NaN
-
使用 .loc 对指定索引批量赋值：
indices_to_change = [2, 5, 7, 8, 10] df.loc[indices_to_change, results] = computeLeft_vec(indices_to_change)
✅ 关键点：indices_to_change 必须与 DataFrame 的实际索引标签（index labels）匹配（而非位置序号 iloc）。若 df.index 是默认整数索引（RangeIndex），则二者一致；若索引已重设（如字符串或非连续整数），请确保传入的是真实索引值。
⚠️ 注意事项： np.vectorize 本质是语法糖，不提升性能；若 computeLeft 可向量化（如纯算术运算），建议直接用 NumPy 原生向量化（例如 np.array(indices_to_change)[:, None] * [2,3,4,5]），速度可提升数十倍。 若需处理缺失索引（如 df 不含索引 7），.loc 会自动扩展 DataFrame（添加新行），若需严格限制仅修改现有索引，可先校验：valid_indices = [i for i in indices_to_change if i in df.index]。 替代方案（如 df.iloc + 位置映射）适用于基于整数位置的场景，但需额外转换索引→位置，易出错，推荐优先使用 .loc 配合语义清晰的索引标签。
此方法简洁、安全、符合 Pandas 惯例，既避免冗余计算，又保证结果的稀疏性与可维护性。
