注意**Series.apply调用**没有axis参数，这与DataFrame.apply调用不同。
序列.apply（函数，转换数据类型=真，参数=（），**kwds）

func : function
convert_dtype : boolean, default True
Try to find better dtype for elementwise function results. If False, leave as dtype=object
args : tuple
Positional arguments to pass to function in addition to the value

有一个用于df的函数，但是不清楚当你在一个序列上调用它，但是你期望它在一行上工作时，你期望它如何工作？

一个单列（通常）是一个Pandas系列，正如EdChum提到的，DataFrame.apply有axis参数，但Series.apply没有，所以axis=1上的apply对列不起作用。
以下作品：

df['col'].apply(lambda x, y: (x - y).total_seconds(), args=(d1,))

为了对行中的每个元素应用函数，也可以使用map：

df['col'].map(lambda x: (x - d1).total_seconds())

由于apply只是Python循环的语法糖，列表解析可能比这两种方法都更有效，因为它没有Pandas开销：

[(x - d1).total_seconds() for x in df['col'].tolist()]

对于单列 Dataframe ，可以传递axis=1：

df[['col']].apply(lambda x, y: (x - y).dt.total_seconds(), args=[d1], axis=1)

PSA：尽可能避免apply

apply在 * 大多数情况下 * 甚至不需要。对于OP中的情况（以及大多数其他情况），存在矢量化操作（只需从列中减去d1-值被广播以匹配列），并且无论如何都比apply快得多：

(df['col'] - d1).dt.total_seconds()

计时

对于10 k行的帧，向量化减法在一列上比apply快大约150倍，在单列DataFrame上比apply快7000倍以上。由于apply是一个循环，因此随着行数的增加，这个差距会变大。

df = pd.DataFrame({'col': pd.date_range('2000', '2023', 10_000)})
d1 = df['col'].min()

%timeit df['col'].apply(lambda x, y: (x - y).total_seconds(), args=[d1])
# 124 ms ± 7.57 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)

%timeit df['col'].map(lambda x: (x - d1).total_seconds())
# 127 ms ± 16.8 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)

%timeit [(x - d1).total_seconds() for x in df['col'].tolist()]
# 107 ms ± 4.14 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)

%timeit (df['col'] - d1).dt.total_seconds()
# 851 µs ± 189 µs per loop (mean ± std. dev. of 7 runs, 1,000 loops each)

%timeit df[['col']].apply(lambda x, y: (x - y).dt.total_seconds(), args=[d1], axis=1)
# 6.07 s ± 419 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)