本文详解如何在 Pandas DataFrame 中通过 `apply` 调用两个字符串选择函数，并安全拼接其结果，重点解决因 NaN/None 或空字符串导致的 `TypeError: boolean value of NA is ambiguous` 问题。
该错误的根本原因在于：Pandas 中的 != "" 等布尔比较操作无法直接作用于包含 NaN（或 pd.NA）的 Series。当 df['NLT'] 某行值为 NaN 时，df['NLT'] != "" 返回的是一个三态布尔对象（pd.BooleanDtype），其本身不能被 if 语句直接求值——这正是报错 “boolean value of NA is ambiguous” 的来源。
✅ 正确做法：使用 pandas.isna() 或 str.len() > 0 显式判断
推荐改写函数，避免对可能含缺失值的列直接做 != "" 比较：
import pandas as pd
import numpy as np
def a(df):
# 使用 pd.isna() 安全判断是否为空（兼容 NaN、None、pd.NA）
if pd.notna(df['NLT']) and str(df['NLT']).strip() != "":
return df['NLT']
else:
return df['LT']
def b(df):
if pd.notna(df['NCC']) and str(df['NCC']).strip() != "":
return df['NCC']
else:
return df['CC']? 补充说明：str(df['NCC']) 是防御性写法，确保即使遇到非字符串类型（如数字、None）也能转为字符串再判断；strip() 可过滤纯空白字符串（如 " "）。
✅ 更高效写法（向量化，无需 apply）
apply 在逐行处理时性能较低，且易出错。更推荐使用 numpy.where 或 pandas.Series.fillna() + combine_first() 实现向量化逻辑：
# 替代函数 a：优先取 NLT，为空则取 LT
df['ra'] = df['NLT'].where(df['NLT'].str.strip().astype(bool), df['LT'])
# 替代函数 b：优先取 NCC，为空则取 CC
df['rb'] = df['NCC'].where(df['NCC'].str.strip().astype(bool), df['CC'])
# 安全拼接（自动跳过 NaN：NaN + 'str' → NaN；但可进一步填充）
df['RR'] = (df['ra'].fillna("") + df['rb'].fillna(""))⚠️ 注意：
- df['NLT'].str.strip().astype(bool)：先去空格再转布尔（空字符串 → False，非空 → True），比 != "" 更鲁棒；
- .fillna("") 确保拼接前无 NaN，避免结果列出现 NaN；
- 若需保留原始缺失语义（如拼接后仍为 NaN），可省略 fillna("")，但需确认下游是否支持。
✅ 验证数据类型与空值状态（调试关键）
运行以下代码检查真实数据状态，而非依赖肉眼观察：
print("NLT 值分布：", df['NLT'].unique())
print("NLT 是否含 NaN：", df['NLT'].isna().sum())
print("NLT 是否含空字符串：", (df['NLT'] == "").sum())
print("NLT 数据类型：", df['NLT'].dtype)常见陷阱：
- object 类型列中混有 NaN、None、空字符串 ""、空白字符串 " "；
- 升级 Pandas 后默认启用 string dtype（可空字符串类型），此时 == "" 可能返回 <NA>，仍需用 str.strip().astype(bool) 判断。
✅ 总结：最佳实践清单
| 项目 | 推荐方式 |
|---|---|
| 判空逻辑 | pd.notna(x) and str(x).strip() != "" 或 x.str.strip().astype(bool)（向量化） |
| 函数调用 | 优先用 np.where / .where() 向量化替代 apply |
| 字符串拼接 | 先 .fillna("") 再 +，避免 NaN + str → NaN 导致意外中断 |
| 类型预处理 | 对关键列执行 df[['NLT','NCC']] = df[['NLT','NCC']].astype('string')（Pandas ≥1.0） |
按此方案重构后，你的四行示例数据将正确生成 RR 列：
NLT LT NCC CC RR 0 R2 18 R218 1 F9 16 F916 2 16 N5 16 89 1689 3 N5 R2 16 N516
