本文介绍如何利用 Python 3.8+ 的海象运算符（:=）在 df.apply(lambda row: ...) 中复用动态计算的中间变量（如 start = row.foo - bar），避免重复书写相同表达式，提升代码可读性与可维护性。
本文介绍如何利用 python 3.8+ 的海象运算符（`:=`）在 `df.apply(lambda row: ...)` 中复用动态计算的中间变量（如 `start = row.foo - bar`），避免重复书写相同表达式，提升代码可读性与可维护性。
在使用 Pandas 对 DataFrame 进行逐行处理时，常需基于当前行（row）的多个字段动态计算切片起始位置（如 row.foo - bar），再将其用于多个列表索引操作。若直接重复书写该表达式（如 row["original_foo"][row.foo - bar : row.foo - bar + baz]），不仅冗长易错，还降低可读性和后期维护效率。
Python 3.8 引入的赋值表达式（Assignment Expression），即“海象运算符” :=，恰好解决了这一痛点：它允许在表达式内部完成变量赋值并立即使用，且作用域限定在当前表达式内——完美适配 lambda 函数这种无显式作用域声明的场景。
✅ 正确写法如下（推荐）：
df[["new_foo", "new_bar"]] = df.apply(
lambda row: a_func(
row["original_foo"][(start := row.foo - bar) : start + baz],
row["original_bar"][start : start + baz],
),
axis=1,
result_type="expand"
)⚠️ 注意事项：
-
start仅在当前lambda表达式内有效，不会污染外部命名空间； -
:=必须加括号包裹（如(start := ...))，否则会因运算符优先级导致语法错误； - 确保
baz是已定义的标量变量（非列名），否则需改用row.baz并确保其为数值； - 若需兼容 Python lambda，例如：
def compute_new_cols(row):
start = row.foo - bar
return pd.Series(a_func(
row["original_foo"][start : start + baz],
row["original_bar"][start : start + baz]
))
df[["new_foo", "new_bar"]] = df.apply(compute_new_cols, axis=1)? 总结：海象运算符是简化复杂 lambda 逻辑的利器，尤其适用于需多次复用同一行内计算结果的场景。合理使用它，能让 apply 代码更紧凑、更清晰，同时保持函数式风格的简洁性。
