Python Pandas - 函数应用


要将您自己的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。下面讨论了这些方法。使用适当的方法取决于您的函数是否期望对整个 DataFrame 进行操作,按行或按列,还是按元素。

  • 表中函数应用:pipe()
  • 行或列明智函数应用:apply()
  • 逐元素函数应用:applymap()

表式函数应用

可以通过将函数和适当数量的参数作为管道参数传递来执行自定义操作。这样,就对整个DataFrame进行了操作。

例如,为 DataFrame 中的所有元素添加值 2。然后,

加法器功能

加法器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

我们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)

让我们看看完整的程序 -

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.apply(np.mean)

输出如下 -

        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

行或列明智函数应用程序

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,采用可选的轴参数。默认情况下,该操作按列执行,将每一列视为类似数组。

实施例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)

输出如下 -

col1   -0.288022
col2    1.044839
col3   -0.187009
dtype: float64

通过传递axis参数,可以按行进行操作。

实施例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)

输出如下 -

col1    0.034093
col2   -0.152672
col3   -0.229728
dtype: float64  

实施例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)

输出如下 -

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

逐元素函数应用

并非所有函数都可以向量化(返回另一个数组的 NumPy 数组也不是任何值),DataFrame 上的applymap()方法和 Series 上的类似 map()方法接受任何采用单个值并返回单个值的 Python 函数。

实施例1

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

# My custom function
df['col1'].map(lambda x:x*100)
print df.apply(np.mean)

输出如下 -

col1    0.480742
col2    0.454185
col3    0.266563
dtype: float64

实施例2

import pandas as pd
import numpy as np

# My custom function
df = pd.DataFrame(np.random.randn(5,3),columns=['col1','col2','col3'])
df.applymap(lambda x:x*100)
print df.apply(np.mean)

输出如下 -

col1    0.395263
col2    0.204418
col3   -0.795188
dtype: float64