Contents 
>>> from env_helper import info; info()

页面更新时间： 2023-12-16 21:44:01
运行环境：
    Linux发行版本: Debian GNU/Linux 12 (bookworm)
    操作系统内核: Linux-6.1.0-15-amd64-x86_64-with-glibc2.36
    Python版本: 3.11.2

6.7. Pandas函数应用

要将自定义或其他库的函数应用于Pandas对象，有三个重要的方法，下面来讨论如何使用这些方法。使用适当的方法取决于函数是否期望在整个DataFrame，行或列或元素上进行操作。

  • 表合理函数应用：pipe()

  • 行或列函数应用：apply()

  • 元素函数应用：applymap()

6.7.1. 表格函数应用

可以通过将函数和适当数量的参数作为管道参数来执行自定义操作。 因此，对整个DataFrame执行操作。

例如，为DataFrame中的所有元素相加一个值2。

adder 函数

adder函数将两个数值作为参数相加并返回总和。

def adder(ele1,ele2):
    return ele1+ele2

现在将使用自定义函数对DataFrame进行操作。

df = pd.DataFrame(np.random.randn(5,3),columns=['col1','col2','col3'])
df.pipe(adder,2)

下面来看看完整的程序 -

>>> import pandas as pd
>>> import numpy as np
>>>
>>> def adder(ele1,ele2):
>>>    return ele1+ele2
>>>
>>> df = pd.DataFrame(np.random.randn(5,3),columns=['col1','col2','col3'])
>>> df.pipe(adder,2)
>>> print(df)

       col1      col2      col3
0 -0.512746 -1.928741  0.088373
1  0.744521 -0.882974 -0.791463
2 -1.114707  1.368742 -2.500995
3  1.190780  0.798515 -0.305547
4 -1.063275 -0.302117  0.243225

6.7.2. 行或列合理函数应用

可以使用apply()方法沿DataFrame或Panel的轴应用任意函数，它与描述性统计方法一样，采用可选的axis参数。 默认情况下，操作按列执行，将每列列为数组。

示例

>>> df = pd.DataFrame(np.random.randn(5,3),columns=['col1','col2','col3'])
>>> df.apply(np.mean)
>>> print(df)

       col1      col2      col3
0  0.875645  0.238500 -1.163282
1  1.041110 -1.617998  0.721465
2 -0.664245  0.170676  0.673088
3  0.214794 -0.617841 -0.544137
4  1.097139 -0.376302  1.657833

通过传递axis参数，可以在行上执行操作。

示例-2

>>> df = pd.DataFrame(np.random.randn(5,3),columns=['col1','col2','col3'])
>>> df.apply(np.mean,axis=1)
>>> df
col1 col2 col3
0 -0.065411 -0.597300 -0.121994
1 0.717776 -1.657757 0.303157
2 -0.268773 1.087726 -1.170008
3 -1.334092 -0.389287 0.916458
4 0.290341 0.442119 0.916656

示例-3

>>> df = pd.DataFrame(np.random.randn(5,3),columns=['col1','col2','col3'])
>>> df.apply(lambda x: x.max() - x.min())
>>> df
col1 col2 col3
0 1.504646 -0.363806 -0.681664
1 -0.498563 -0.062275 -0.512961
2 0.286375 -0.073808 0.921349
3 -1.134467 1.990831 -2.484318
4 0.242786 0.355586 0.154012

6.7.3. 元素合理函数应用

并不是所有的函数都可以向量化(也不是返回另一个数组的NumPy数组，也不是任何值)，在DataFrame上的方法applymap()和类似于在Series上的map()接受任何Python函数，并且返回单个值。

示例-1

>>> df = pd.DataFrame(np.random.randn(5,3),columns=['col1','col2','col3'])
>>>
>>> # My custom function
>>> df['col1'].map(lambda x:x*100)
>>> df
col1 col2 col3
0 0.538401 0.885684 1.507353
1 -0.494505 -1.206135 1.115960
2 0.949553 0.678105 -0.237772
3 0.290807 -0.526670 0.661652
4 -0.720237 -0.460505 -0.845880

示例-2

>>> # My custom function
>>> df = pd.DataFrame(np.random.randn(5,3),columns=['col1','col2','col3'])
>>> df.applymap(lambda x:x*100)
>>> df
col1 col2 col3
0 1.549599 1.684163 -0.303522
1 -1.844774 -0.653872 0.959466
2 -0.997209 1.290200 0.382495
3 2.710082 0.782055 -0.397633
4 1.422971 0.031233 -0.196813

上一页

6.6. Pandas描述性统计

下一页

6.8. Pandas重建索引