白猪掌柜的
您可以这样获得最大值：>>> import pandas as pd>>> df = pd.DataFrame({"A": [1,2,3], "B": [-2, 8, 1]})>>> df A B0 1 -21 2 82 3 1>>> df[["A", "B"]] A B0 1 -21 2 82 3 1>>> df[["A", "B"]].max(axis=1)0 11 82 3所以：>>> df["C"] = df[["A", "B"]].max(axis=1)>>> df A B C0 1 -2 11 2 8 82 3 1 3如果您知道“ A”和“ B”是唯一的列，那么您甚至可以逃脱>>> df["C"] = df.max(axis=1).apply(max, axis=1)我猜你也可以使用。
斯蒂芬大帝
在几乎所有正常情况下，@ DSM的答案都很好。但是，如果您是想比表面层次更深入的程序员，那么您可能会想知道，在基础.to_numpy()（或.values对于<0.24）数组上调用numpy函数要比直接调用更快一些。调用在DataFrame / Series对象上定义的（cythonized）函数。例如，您可以ndarray.max()沿第一个轴使用。# Data borrowed from @DSM's post.df = pd.DataFrame({"A": [1,2,3], "B": [-2, 8, 1]})df A B0 1 -21 2 82 3 1df['C'] = df[['A', 'B']].values.max(1)# Or, assuming "A" and "B" are the only columns, # df['C'] = df.values.max(1) df A B C0 1 -2 11 2 8 82 3 1 3 如果您的数据包含NaN，则将需要numpy.nanmax：df['C'] = np.nanmax(df.values, axis=1)df A B C0 1 -2 11 2 8 82 3 1 3 您也可以使用numpy.maximum.reduce。numpy.maximum是一个ufunc（通用函数），每个ufunc都有一个reduce：df['C'] = np.maximum.reduce(df['A', 'B']].values, axis=1)# df['C'] = np.maximum.reduce(df[['A', 'B']], axis=1)# df['C'] = np.maximum.reduce(df, axis=1)df A B C0 1 -2 11 2 8 82 3 1 3在此处输入图片说明np.maximum.reduce并且np.max看起来大致相同（对于大多数正常大小的DataFrame），并且阴影的速度比快DataFrame.max。我认为这种差异大致保持不变，并且是由于内部开销（索引对齐，处理NaN等）引起的。该图是使用perfplot生成的。基准测试代码，以供参考：import pandas as pdimport perfplotnp.random.seed(0)df_ = pd.DataFrame(np.random.randn(5, 1000))perfplot.show( setup=lambda n: pd.concat([df_] * n, ignore_index=True), kernels=[ lambda df: df.assign(new=df.max(axis=1)), lambda df: df.assign(new=df.values.max(1)), lambda df: df.assign(new=np.nanmax(df.values, axis=1)), lambda df: df.assign(new=np.maximum.reduce(df.values, axis=1)), ], labels=['df.max', 'np.max', 'np.maximum.reduce', 'np.nanmax'], n_range=[2**k for k in range(0, 15)], xlabel='N (* len(df))', logx=True, logy=True)