使用 df[cols].apply(lambda x: x.map(chr)) 会导致意外丢弃 NaN 行和非目标列，根本原因是 apply(axis=0) 在混合类型下触发隐式类型对齐与广播；应改用 applymap()（pandas < 2.1）或 map()（pandas ≥ 2.1）配合 filter() 安全处理。
使用 `df[cols].apply(lambda x: x.map(chr))` 会导致意外丢弃 nan 行和非目标列，根本原因是 `apply(axis=0)` 在混合类型下触发隐式类型对齐与广播；应改用 `applymap()`（pandas
在 Pandas 中批量将多个 ASCII 数值列（如 sn1–sn13）转换为字符并拼接成序列号时，直接对子 DataFrame 调用 .apply(lambda x: x.map(chr)) 是危险且不可靠的——它并非简单地逐列映射，而是在 axis=0（默认）模式下将每列作为 Series 传入，并在内部执行类型推断与对齐操作。当目标列中存在浮点型异常值（如 5.0、NaN）或后续列含缺失值时，Pandas 可能因 dtype 不一致触发隐式 object 转换、自动 dropna 或列索引重排，从而“意外”清空 add1/add2 等稀疏列，甚至删除整行。
✅ 正确做法是：分离关注列 + 使用元素级映射 + 显式格式化。推荐以下三步稳健流程：
1. 安全提取并转换 ASCII 列
# 假设 serialname_list = ['sn1', 'sn2', ..., 'sn13']
sn_df = df.filter(items=serialname_list) # 仅获取目标列，不干扰其他列
# 兼容所有 pandas 版本的安全映射（自动跳过 NaN，不改变原 df 结构）
if pd.__version__ >= '2.1.0':
sn_chars = sn_df.map(chr) # ✅ 推荐：pandas ≥ 2.1
else:
sn_chars = sn_df.applymap(chr) # ✅ pandas < 2.1（已弃用但仍有效）⚠️ 注意：sn_df.map(chr) 会自动忽略 NaN 和非整数（如 5.0），返回 NaN 而非报错；若需严格过滤非法值，应先 astype('Int64')（支持 NaN 的整数类型）再映射。
2. 基于转换后字符构建复合字段（避免逐列硬编码）
# 按业务逻辑动态拼接（示例：sn4 决定格式分支）
def build_serial(row):
try:
parts = [row['sn1'], row['sn2'], row['sn3']]
if row['sn4'] == 'A':
parts.extend([row['sn4'], '-', row['sn5'], row['sn6'], row['sn7'],
row['sn8'], '-', row['sn9'], row['sn10'], row['sn11']])
pos = row['sn12'] + row['sn13']
else:
parts.extend(['-', row['sn4'], row['sn5'], row['sn6'], row['sn7'],
'-', row['sn8'], row['sn9'], row['sn10']])
pos = row['sn11'] + row['sn12']
return ''.join(parts), pos
except (TypeError, ValueError):
return None, None # 遇到无效字符时返回 None，后续可 drop
# 应用并拆分为两列
df[['serial', 'position']] = df.apply(
lambda r: pd.Series(build_serial(r)), axis=1
)3. 清理与类型加固
# 删除原始 sn 列（安全，不影响其他列）
df = df.drop(columns=serialname_list)
# 可选：强制关键列类型（防止后续运算出错）
df['serial'] = df['serial'].astype('string') # pandas nullable string
df['position'] = df['position'].astype('string')? 关键总结
- ❌ 错误模式：df[serialname_list].apply(lambda x: x.map(chr)) → 触发 axis=0 的 Series 级 apply，易受 dtype 混合影响；
- ✅ 正确模式：df.filter(...).map(chr)（≥2.1）或 .applymap(chr)（<2.1）→ 元素级映射，保持结构纯净；
- ?️ 鲁棒性要点：用 filter() 隔离操作范围、用 astype('Int64') 处理浮点 ASCII、用 try/except 包裹格式化逻辑；
- ? 切勿依赖 apply(axis=1) 直接对原始数值列做 chr() —— 未转换前的 5.0 会抛 TypeError。
此方案完全避免了原始代码中重复 13 次 .apply(chr_convert) 的冗余，同时杜绝了数据列被意外截断或行被静默删除的风险，符合生产环境对可维护性与稳定性的双重要求。
