### 对筛选后的DataFrame行应用函数 在Pandas中，`apply()` 方法可以用于对整个DataFrame或特定列执行自定义函数。当希望对已经通过某些条件筛选过的行应用函数时，可以在先完成筛选的基础上再调用 `apply()`。 #### 示例：基于年龄筛选并修改城市名称 假设有一个包含姓名、年龄和城市的DataFrame，并且想要找到所有年龄大于等于35岁的人并将他们的城市名字前加上 "Old_" 前缀： ```python import pandas as pd data = { 'Name': ['Alice', 'Bob', 'Charlie', 'David', 'Eva'], 'Age': [25, 30, 35, 40, 45], 'City': ['New York', 'London', 'Paris', 'Tokyo', 'Berlin'] } df = pd.DataFrame(data) # 筛选年龄 >= 35 的记录 filtered_df = df[df['Age'] >= 35] def add_prefix_to_city(city_name): """给定的城市名前面加 'Old_'""" return f"Old_{city_name}" # 应用函数到已筛选的数据框上的 City 列 filtered_df['City'] = filtered_df['City'].apply(add_prefix_to_city) print(filtered_df) ``` 此代码片段展示了如何创建一个简单的辅助函数 `add_prefix_to_city` 来处理字符串拼接的任务，并将其应用于经过筛选的DataFrame中的每一行[^1]。 对于更复杂的场景，比如需要访问多列的信息才能决定如何变换某一行的内容，则可以直接传递lambda表达式或者定义一个多参数的方法来实现这一点。例如，在上述例子基础上进一步扩展功能——如果一个人既满足年龄要求又住在欧洲主要首都之一（如伦敦、巴黎），则在其名字后面追加 "(EU)" 标签： ```python european_capitals = ["London", "Paris"] # 定义一个新的函数来进行复杂转换 def modify_row(row): modified_name = row['Name'] if row['City'] in european_capitals and row['Age'] >= 35: modified_name += " (EU)" # 返回更新后的 Series 对象 new_row = row.copy() new_row['Name'] = modified_name return new_row # 将该函数作用于每一条符合条件的记录上 final_result = filtered_df.apply(modify_row, axis=1) print(final_result) ``` 这段代码说明了怎样利用 `apply()` 结合自定义逻辑去改变多个字段值的情况。这里的关键在于设置 `axis=1` 参数使得函数能够逐行工作而不是按列操作[^2]。