本文介绍如何高效地将一个返回多值的 python 函数（如 `computeleft`）仅应用于 dataframe 的特定行索引，并自动填充其余位置为 nan，避免全量计算，兼顾可读性与性能。
在实际数据处理中，我们常需对 DataFrame 的部分行（而非全部）执行复杂计算，并将结果写入多个列。例如，函数 computeLeft(i) 接收索引 i，返回长度为 4 的 NumPy 数组 [2*i, 3*i, 4*i, 5*i]，期望将其结果分别填入 ["val1","val2","val3","val4"] 四列中，但仅针对指定索引（如 [2, 5, 7, 8, 10]），其余行保持为 NaN。
直接使用 np.vectorize 全量计算（如 df[results] = np.vectorize(...)(range(len(df)))）虽可行，但效率低且不满足“选择性执行”需求。正确做法分三步：
- 预分配目标列并初始化为 NaN：确保所有行都有占位，未计算行自然为空；
- 构造索引列表：明确要计算的行索引（注意：是 DataFrame 的 index 标签，非 .iloc 位置序号）；
- 用 df.loc[indices, columns] 定向赋值：结合向量化函数，精准写入。
以下是完整、健壮的实现代码：
import numpy as np
import pandas as pd
def computeLeft(i):
return np.array([i * 2, i * 3, i * 4, i * 5])
# 向量化（支持输出为 (4,) 形状数组）
computeLeftVec = np.vectorize(computeLeft, signature="()->(4)")
# 假设 df 已存在，例如：
# df = pd.DataFrame(index=range(15), data={"x": range(15)})
results = ["val1", "val2", "val3", "val4"]
df[results] = np.nan # 预分配，全部设为 NaN
indices_to_change = [2, 5, 7, 8, 10]
# ✅ 关键：loc 使用 index 标签匹配，要求 indices_to_change 中的值必须存在于 df.index 中
df.loc[indices_to_change, results] = computeLeftVec(indices_to_change)⚠️ 重要注意事项：
- df.loc[indices_to_change, ...] 依赖的是 DataFrame 的 index 标签（即行名），而非整数位置。若你的 DataFrame 索引不是默认 RangeIndex（如已重设为字符串或缺失部分整数），请先确认 indices_to_change 中的值确实在 df.index 中，否则会静默忽略或报错。可通过 assert set(indices_to_change).issubset(df.index) 验证。
- 若需按位置序号（iloc） 而非标签索引操作，请改用：
pos_indices = [2, 5, 7, 8, 10] # 行位置（0-based） df.iloc[pos_indices, df.columns.get_indexer(results)] = computeLeftVec(pos_indices)
- 性能优化建议：对于纯数值运算（如本例），直接用 NumPy 广播替代 np.vectorize 更快：
idx_arr = np.array(indices_to_change) values = np.column_stack([idx_arr * 2, idx_arr * 3, idx_arr * 4, idx_arr * 5]) df.loc[indices_to_change, results] = values
该方法简洁、语义清晰，充分利用了 Pandas 的索引对齐特性，是生产环境中推荐的选择性函数应用模式。
