如何在Pandas DataFrame中为每行应用不同的可调用对象

import pandas as pd
import numpy as np

def func_1(in_val, a, b):
    return in_val + a + b

def func_2(in_val, a, b):
    return in_val + (2 * (a + b))

# 示例数据初始化
input_df = pd.DataFrame(data=[1 for row in range(10)], columns=["GR"])
output_df = pd.DataFrame(data=[np.nan for row in range(10)], columns=["VCLGR"])
param_df = pd.DataFrame(data=[[5, 10] for row in range(10)], columns=["x", "y"])

# 为param_df添加可调用函数
param_df["method"] = func_1
param_df.loc[5:, "method"] = func_2

# 使用列表推导式计算
output_df["VCLGR"] = [
    param_df["method"][i](input_df["GR"][i], param_df["x"][i], param_df["y"][i])
    for i in range(len(input_df))
]
print("列表推导式结果:")
print(output_df)

import pandas as pd
import numpy as np

# 定义两个不同的函数
def func_1(in_val, a, b):
    return in_val + a + b

def func_2(in_val, a, b):
    return in_val + (2 * (a + b))

# 初始化输入数据DataFrame
input_df = pd.DataFrame(data=[1 for row in range(10)], columns=["GR"])

# 初始化参数DataFrame，包含计算所需的参数
param_df = pd.DataFrame(data=[[5, 10] for row in range(10)], columns=["x", "y"])

# 向param_df添加一个“方法”列，存储要应用的函数
# 前五行使用func_1，后五行使用func_2
param_df["method"] = func_1
param_df.loc[5:, "method"] = func_2

# 初始化输出DataFrame
output_df = pd.DataFrame(data=[np.nan for row in range(10)], columns=["VCLGR"])

# 合并input_df和param_df
# 确保两个DataFrame的索引是匹配的，以便正确地按行合并
combined_df = pd.concat([param_df, input_df], axis=1)
print("合并后的DataFrame:")
print(combined_df)

def indirect_apply_func(row):
  """
  根据行中的'method'列调用相应的函数，并传入行中的参数。
  """
  # 从行中获取可调用函数
  method_callable = row['method']
  # 从行中获取参数
  in_val = row['GR']
  a = row['x']
  b = row['y']
  # 执行计算并返回结果
  return method_callable(in_val, a, b)

# 使用apply(axis=1)将indirect_apply_func应用到每一行
output_df["VCLGR_applied"] = combined_df.apply(indirect_apply_func, axis=1)

print("\n使用apply(axis=1)方法计算结果:")
print(output_df)

import pandas as pd
import numpy as np

# 1. 定义可调用函数
def func_1(in_val, a, b):
    return in_val + a + b

def func_2(in_val, a, b):
    return in_val + (2 * (a + b))

# 2. 初始化输入数据和参数DataFrame
input_df = pd.DataFrame(data=[1 for row in range(10)], columns=["GR"])
param_df = pd.DataFrame(data=[[5, 10] for row in range(10)], columns=["x", "y"])

# 3. 向param_df添加“方法”列，指定每行使用的函数
param_df["method"] = func_1
param_df.loc[5:, "method"] = func_2 # 第5行（索引为5）及之后使用func_2

# 4. 合并input_df和param_df，确保索引对齐
# 结果DataFrame将包含所有必要的输入值、参数和可调用函数
combined_df = pd.concat([param_df, input_df], axis=1)

# 5. 定义一个辅助函数，用于处理合并后DataFrame的每一行
def indirect_apply_func(row):
  """
  接收一个DataFrame行（Series），根据行中的'method'列调用对应的函数，
  并传入行中的'GR', 'x', 'y'作为参数。
  """
  method_callable = row['method']
  in_val = row['GR']
  a = row['x']
  b = row['y']
  return method_callable(in_val, a, b)

# 6. 使用apply(axis=1)将辅助函数应用到合并后的DataFrame的每一行
# 结果将作为新列添加到output_df中
output_df = pd.DataFrame(index=range(10)) # 创建一个空的output_df，确保索引匹配
output_df["VCLGR_calculated"] = combined_df.apply(indirect_apply_func, axis=1)

print("最终计算结果 (使用apply(axis=1)):")
print(output_df)