因为参数是在调用函数之前计算的，所以在D列被添加到 Dataframe 之前，你不能在参数列表中引用x['D']。
但是当你使用lambda的时候，x['D']的求值会被延迟到df.assign()调用它的时候，它是在处理了D = df['B'] * df['C']参数之后才调用的，D = df['B'] * df['C']参数创建了D列，所以它可以引用那个列。

可以在同一个赋值中赋值多个列。'**kwargs'中后面的项可能指'df'中新创建或修改的列;按顺序计算项并将其分配到"df"中。
首先，它与执行的顺序有关。
使用.assign(A = df['A'] * df['B']时，在执行df.assign之前计算df['A']。

df = pd.DataFrame({"A": [1], "B": [2], "C": [3]})
assign = df.assign

def debug_assign(**kwargs):
    print("Hello from: assign()")
    print(datetime.now())
    assign(**kwargs)

df.assign = debug_assign

>>> df.assign(D = new_value())
Hello from: new_value()
2023-02-14 16:08:38.424683
Hello from: assign()
2023-02-14 16:08:38.424722

至于lambda--它就像一个"迷你函数"，当你声明一个lambda时，就像定义一个函数一样，实际上什么都不执行。

>>> lambda x: x['D'] * x['C']
<function __main__.<lambda>(x)>

含义：

>>> df.assign(D = lambda x: x['D'] * x['C'])

类似于：

>>> def callback(): return x['D'] * x['C']
>>> df.assign(D = callback)

函数可以赋给变量并作为参数传递。

>>> my_other_print = print
>>> my_other_print
<function print>

在使用()之前不会执行/调用它们-（注意D = callback中没有()）

>>> my_other_print("hello")
hello

pandas检查某个东西是否是"可调用的"--如果是，它将针对当前的"状态"运行，也就是说，包含所有之前计算过的赋值参数。