1、Pandas 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()
1.1、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:
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 col30 2.176704 2.219691 1.5093601 2.222378 2.422167 3.9539212 2.241096 1.135424 2.6964323 2.355763 0.376672 1.1825704 2.308743 2.714767 2.130288
1.2、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
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 -0.241399
col2 0.141497
col3 -0.102721
dtype: float64
通过传递 axis 参数,可以逐行执行操作。
实例 2
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 -0.361706
col2 0.034588
col3 0.337259
dtype: float64
实例 3
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 0.081140
col2 0.772552
col3 0.749451
dtype: float64
1.3、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
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 -0.062886
col2 0.404082
col3 0.026754
dtype: float64
实例 2
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 0.022429
col2 0.764061
col3 0.036986
dtype: float64