本文介绍在 pandas 中通过列名列表动态选取多列，并利用 `apply()` 和解包操作符 `*` 将其高效传入自定义函数的方法，避免手动书写冗长的列引用，提升代码可维护性与扩展性。

在使用 Pandas 进行数据处理时，常需将多列数据联合传入自定义函数（如特征工程、复合计算等）。当列数较多（例如 A–J 共 10 列）时，逐个写 x.A, x.B, ..., x.J 不仅繁琐，还易出错且难以维护。理想方案是：先将列名存入列表，再统一提取并解包传参。

核心技巧在于两点：

1. 使用 df[cols] 按列名列表索引子 DataFrame（返回按指定顺序排列的列）；
2. 在 apply() 的 lambda 中，用 *x 将每行 Series 解包为位置参数，自动匹配函数形参。

以下为完整示例：

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'))
print("原始数据：")
print(df)
#    A  B  C
# 0  5  6  0
# 1  1  6  3
# 2  0  4  2

def myfunction(a, b, c):
    return (a, b, c)  # 示例：返回元组

cols = ['A', 'B', 'C']  # ✅ 列名列表，支持任意长度和顺序
df['out'] = df[cols].apply(lambda x: myfunction(*x), axis=1)
print("\n添加计算结果列：")
print(df)
#    A  B  C        out
# 0  5  6  0  (5, 6, 0)
# 1  1  6  3  (1, 6, 3)
# 2  0  4  2  (0, 4, 2)

⚠️ 注意事项：

• 函数形参顺序必须与 cols 列表中列名的顺序严格一致；
• df[cols].apply(..., axis=1) 返回的是 Series，每行 x 是一个 pd.Series，*x 会按索引顺序（即 cols 顺序）解包其值；
• 若函数需处理缺失值，建议在函数内部增加 pd.isna() 判断，或提前用 dropna(subset=cols) 过滤；
• 对于性能敏感场景，优先考虑向量化操作（如 np.where, pd.cut）或 numba 加速，apply(axis=1) 在大数据量下较慢。

该方法简洁、通用、可读性强，是 Pandas 高级用法中的实用范式。