11-26 11:20 阅读 164

Pandas的函数应用

Pandas 重建索引操作实例

要将您自己或其他库的函数应用于Pandas对象，您应该了解三个重要的方法。方法如下所述。要使用的适当方法取决于您的函数是希望对整个数据帧进行操作，还是行操作还是按列操作，还是按元素操作。

表函数应用程序：pipe()行或列函数应用程序：apply()元素级函数应用程序：applymap()

表函数应用程序

可以通过传递函数和适当数量的参数作为管道参数来执行对DataFrame自定义操作

加法器函数

例如，将2个值添加到DataFrame中。加法器功能将两个数字值相加并返回总和。

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

我们使用自定义函数对DataFrame进行操作.

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

我们看下完整的程序：

示例

 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.apply(np.mean))

运行结果：

       col1 col2 col3 0 2.176704 2.219691 1.509360 1 2.222378 2.422167 3.953921 2 2.241096 1.135424 2.696432 3 2.355763 0.376672 1.182570 4 2.308743 2.714767 2.130288

行或列函数应用程序

可以使用apply()方法沿DataFrame或Panel的轴应用任意函数，该方法与描述性统计方法一样，采用可选的axis参数。默认情况下，该操作按列执行，将每一列视为类似数组的形式。

实例 1

示例

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

运行结果：

 col1 -0.288022 col2 1.044839 col3 -0.187009 dtype: float64

通过传递 axis 参数，可以逐行执行操作。

实例 2

示例

 import pandas as pd
 import numpy as np
 df = pd.DataFrame(np.random.randn(5,3),columns=['col1','col2','col3'])
 df.apply(np.mean,axis=1)
 print(df.apply(np.mean))

运行结果：

 col1 0.034093 col2 -0.152672 col3 -0.229728 dtype: float64

实例 3

示例

 import pandas as pd
 import numpy as np
 df = pd.DataFrame(np.random.randn(5,3),columns=['col1','col2','col3'])
 df.apply(lambda x: x.max() - x.min())
 print(df.apply(np.mean))

运行结果：

 col1 -0.167413 col2 -0.370495 col3 -0.707631 dtype: float64

元素级函数应用程序

并非所有函数都可以向量化（NumPy数组既不返回另一个数组，也不返回任何值），DataFrame上的applymap() 方法和Series上的map() 类似地接受任何采用单个值并返回单个值的Python函数。

实例 1

示例

 import pandas as pd
 import numpy as np
 df = pd.DataFrame(np.random.randn(5,3),columns=['col1','col2','col3'])
 # 自定义函数 df['col1'].map(lambda x:x*100)
 print(df.apply(np.mean))

运行结果：

 col1 0.480742 col2 0.454185 col3 0.266563 dtype: float64

实例 2

示例

 import pandas as pd
 import numpy as np
 # 自定义函数 df = pd.DataFrame(np.random.randn(5,3),columns=['col1','col2','col3'])
 df.applymap(lambda x:x*100)
 print(df.apply(np.mean))

运行结果：

 col1 0.395263 col2 0.204418 col3 -0.795188 dtype: float64