Pandas apply와 lambda 정리 | 줄 단위 계산을 간단하게 처리하는 방법

Pandas에서 DataFrame을 가공할 때, 각 행이나 각 열에 같은 규칙을 반복 적용해야 하는 경우가 많다.

이럴 때 가장 자주 쓰는 방법이 apply()이고, 여기에 lambda를 붙이면 반복문 없이도 행·열 단위 계산을 짧고 읽기 쉽게 처리할 수 있다. 자료에서도 apply는 줄 단위 규칙을 적용하는 방식으로 설명되고, 날짜별 최고값과 변동성 계산 예시가 이어진다.

---

apply는 무엇인가

apply()는 DataFrame의 각 행(row) 또는 각 열(column) 에 같은 함수를 적용하는 메서드다.

즉, 이런 상황에 잘 맞는다.

• 각 행마다 최대값 구하기
• 각 행마다 최대값과 최소값 차이 구하기
• 여러 컬럼 값을 바탕으로 새 컬럼 만들기
• 각 열마다 평균, 합계, 최댓값 계산하기

핵심은 **“같은 규칙이 반복될 때”**다.

규칙이 명확하면 apply()로 깔끔하게 정리할 수 있다. 자료에서도 “줄 단위로 하고자 하는 일에 규칙이 있어야 한다”는 점이 강조된다.

---

먼저 코드로 보면

예제를 위해 간단한 주가 DataFrame을 만들자.

import pandas as pd

df = pd.DataFrame({
    "시가": [213500, 22000, 200000, 195000, 214500],
    "종가": [210000, 20000, 201000, 22000, 215000],
    "고가": [220000, 23400, 220000, 23000, 225000],
    "저가": [200000, 24400, 225000, 23100, 245000]
}, index=[
    "2026-04-01",
    "2026-04-02",
    "2026-04-03",
    "2026-04-04",
    "2026-04-05"
])

print(df)

---

apply + lambda 기본 형태

가장 기본 형태는 이렇다.

df.apply(lambda x: 규칙, axis=?)

여기서 중요한 건 두 가지다.

• x는 각 행 또는 각 열 하나를 의미
• axis가 행 기준인지 열 기준인지를 결정

---

axis=0, axis=1 차이

이 부분이 가장 많이 헷갈린다.

axis=0

• 열(column) 기준
• 각 컬럼을 하나씩 넘긴다

axis=1

• 행(row) 기준
• 각 행을 하나씩 넘긴다

즉,

• 컬럼별 계산 → axis=0
• 행별 계산 → axis=1

자료에서도 처음 의도와 다르게 반대 방향으로 적용될 수 있으니, 원하는 방향이 아니면 axis를 바꿔서 맞추는 식으로 설명하고 있다. 특히 날짜별 계산은 행 단위이므로 axis=1을 써야 한다는 흐름이 나온다.

---

예제 1. 각 행의 최대값 구하기

주가 데이터에서 날짜별 최고값을 구한다고 하면,

각 날짜는 한 행이므로 axis=1을 사용해야 한다.

row_max = df.apply(lambda x: x.max(), axis=1)
print(row_max)

이 코드는 각 행마다

• 시가
• 종가
• 고가
• 저가

중 가장 큰 값을 찾아준다.

자료에서도 “날짜별로 여러 값 중 최고값 찾기” 예시가 apply + lambda로 설명된다.

---

예제 2. 각 행의 변동성 계산하기

주가 데이터에서 자주 보는 방식 중 하나가

그날의 최대값 - 최소값을 계산하는 것이다.

volatility = df.apply(lambda x: x.max() - x.min(), axis=1)
print(volatility)

이렇게 하면 날짜별 가격 변동폭을 한 번에 구할 수 있다.

이 패턴이 중요한 이유는, 각 행에서 같은 규칙이 반복되기 때문이다.

• 최대값 찾기
• 최소값 찾기
• 둘의 차이 계산하기

자료에서도 날짜별 변동성을 x.max() - x.min() 형태로 계산하는 흐름이 나온다.

---

예제 3. 새 컬럼 Gap 만들기

계산 결과를 별도 Series로 두는 데서 끝나지 않고,

기존 DataFrame에 새 컬럼으로 붙이는 경우가 더 많다.

df["Gap"] = df.apply(lambda x: x.max() - x.min(), axis=1)
print(df)

이렇게 하면 기존 데이터에 Gap 컬럼이 추가된다.

실전에서는 이런 방식으로

• 변동성
• 평균가
• 비율
• 점수
• 분류 기준

같은 파생 컬럼을 많이 만든다.

자료에서도 계산한 값을 새 컬럼으로 추가하는 흐름이 이어지고, DataFrame은 이런 식의 컬럼 기반 가공이 자연스럽다는 점이 드러난다.

---

apply가 편한 이유

apply()가 자주 쓰이는 이유는 코드가 짧아서만은 아니다.“무슨 계산을 하는지”가 눈에 바로 보이기 때문이다.

예를 들어 아래 코드는:

df["Gap"] = df.apply(lambda x: x.max() - x.min(), axis=1)

보자마자 이런 뜻으로 읽힌다.

• 각 행을 돌면서
• 최대값과 최소값 차이를 계산해서
• Gap 컬럼에 넣는다

즉, 개별 원소를 어떻게 반복하는지보다

규칙 자체가 코드에 드러난다는 점이 장점이다. 자료에서도 개별 원소 중심이 아니라 “기능 중심으로 코드 작성”하는 방식으로 설명된다.

---

같은 작업을 for문으로 하면

apply()가 편한 이유를 보려면, 같은 작업을 for문으로 써보면 된다.

방법 1. for문 + iloc/iat

df["Gap"] = 0

for i in range(len(df)):
    values = df.iloc[i, 0:4]
    gap = values.max() - values.min()
    df.iat[i, 4] = gap

print(df)

이 코드는 동작은 같지만, 신경 써야 할 게 많다.

• 몇 번째 행인지 직접 반복
• 어떤 컬럼 범위인지 직접 지정
• 결과를 어느 위치에 넣을지 직접 지정

즉, 계산 규칙보다 접근 방식이 더 많이 보인다.

---

방법 2. for문 + loc/at

이름 기준으로도 쓸 수 있다.

df["Gap"] = 0

for idx in df.index:
    values = df.loc[idx, ["시가", "종가", "고가", "저가"]]
    gap = values.max() - values.min()
    df.at[idx, "Gap"] = gap

print(df)

이 방식은 iloc/iat보다 읽기 쉽지만, 그래도 여전히 반복 제어를 직접 해야 한다.

---

apply와 for문 비교

apply가 더 좋은 경우

• 같은 규칙이 모든 행/열에 반복될 때
• 코드 길이를 줄이고 싶을 때
• 계산 의도를 명확하게 보여주고 싶을 때

for문이 더 나은 경우

• 조건 분기가 복잡할 때
• 행마다 처리 방식이 많이 다를 때
• 중간 디버깅이 자주 필요할 때

즉, apply는 반복 규칙이 일정한 가공 작업에 특히 강하다.

---

구현 관점에서 기억할 포인트

1. axis를 먼저 정해야 한다

apply()에서 가장 중요한 건 방향이다.

• 열 기준 → axis=0
• 행 기준 → axis=1

행 단위 계산인데 axis=0으로 쓰면 원하는 결과가 안 나온다. 자료에서도 이 부분을 가장 먼저 구분해서 설명한다.

---

2. x는 한 개 값이 아니라 한 줄이다

lambda x:에서 x는 숫자 하나가 아니라, 보통 행 하나 또는 열 하나라고 생각해야 한다.

예를 들어 아래 코드에서:

df.apply(lambda x: x.max(), axis=1)

x는 각 날짜의 한 행 전체다.

그래서 x.max(), x.min(), x.mean() 같은 식으로 바로 쓸 수 있다.

---

3. 새 컬럼 생성과 잘 맞는다

apply() 결과는 Series로 나오기 때문에

그대로 새 컬럼에 넣기 좋다.

df["Gap"] = df.apply(lambda x: x.max() - x.min(), axis=1)

이 패턴은 실전에서 정말 자주 쓴다.

---

4. 편하지만 무조건 빠른 건 아니다

이건 꼭 같이 알아야 한다.

apply()는 가독성이 좋고 편하지만,큰 DataFrame에서는 성능이 아쉬울 수 있다.

자료에서도 apply는 코드가 편리한 대신 효율성을 무조건 보장하지 않고, 데이터가 커지면 부담이 될 수 있다고 설명한다. 즉, 중소 규모 데이터에서는 유용하지만 대규모 데이터 처리에서는 다른 방식이나 다른 도구를 고려해야 한다는 의미다.

---

언제 쓰면 좋은가

apply + lambda는 이런 상황에서 특히 좋다.

• 행별 점수 계산
• 행별 최대/최소/평균 계산
• 여러 컬럼을 합쳐 파생 컬럼 만들기
• 데이터 전처리 규칙을 짧게 표현하고 싶을 때

반대로,

• 조건 분기가 너무 복잡하거나
• 데이터가 아주 크거나
• 완전한 벡터 연산으로 대체 가능한 경우

라면 다른 방식이 더 나을 수 있다.

---

한 줄 정리

apply + lambda는 DataFrame의 행이나 열에 같은 규칙을 반복 적용할 때, 반복문보다 짧고 읽기 쉽게 가공 코드를 작성하는 방법이다.