【转】Pandas数据处理(六) — apply() 方法介绍

Pandas数据处理(五) — apply() 方法介绍！

本文介绍一下关于 Pandas 中 apply() 函数的几个常见用法，apply() 函数的自由度较高，可以直接对 Series 或者 DataFrame 中元素进行逐元素遍历操作，方便且高效，具有类似于 Numpy 的特性。

apply() 使用时，通常放入一个 lambda 函数表达式、或一个函数作为操作运算，官方上给出的 apply() 用法：

DataFrame.apply(self, func, axis=0, raw=False, result_type=None, args=(), **kwds

func 代表的是传入的函数或 lambda 表达式；
axis 参数可提供的有两个，该参数默认为0/列
- 0 或者 index ，表示函数处理的是每一列；
- 1 或 columns ，表示处理的是每一行;

raw ；bool 类型，默认为 False;
- False ，表示把每一行或列作为 Series 传入函数中；
- True，表示接受的是 ndarray 数据类型；

apply() 最后的是经过函数处理，数据以 Series 或 DataFrame 格式返回。

下面用几个例子来介绍一下 apply() 的具体使用；

DataFrame 使用apply()

1，计算每个元素的平方根

这里为了方便，直接用到 numpy 的 sqrt 函数；

>>> df  =pd.DataFrame([[4,9]]*3,columns = ['A','B'])
>>> df
   A  B
0  4  9
1  4  9
2  4  9


>>> df.apply(np.sqrt)
     A    B
0  2.0  3.0
1  2.0  3.0
2  2.0  3.0

2，计算每一行元素的平均值

这里传入数据是以列的形式存在的，所以 axis = 0，即可以省略；

>>> df.apply(np.mean)
A    4.0
B    9.0

3，计算每一列元素的平均值

与 2 不同的是这里以行的行形式传入，要加一个参数 axis =1；

>>> df.apply(np.mean,axis = 1)
0    6.5
1    6.5
2    6.5
dtype: float64

4，添加新列C，其值分别为列A、B之和

实现这个功能，最简单的一行代码即可实现:

df['C'] = df.A +df.B

但这里要用 apply() 来实现，实现对列间操作的用法，操作步骤分为下面两步：

1，先定义一个函数实现列A + 列B ；

2，利用apply() 添加该函数，且数据需要逐行加入，因此设置axis = 1

>>> def Add_a(x):
...   return x.A+x.B

>>> df['C'] = df.apply(Add_a,axis=1)
>>> df
   A  B   C
0  4  9  13
1  4  9  13
2  4  9  13

Series 使用apply()

Series 使用 apply() 函数与 DataFrame 相似，用法上最大区别就是加了一个列名 DataFram.类名

1，列 A 中所有元素加 1

不用 apply() 的方法

df.A =df.A +1

利用 apply() 函数进行操作，这里我传入一个 lambda 函数：

>>> df.A = df.A.apply(lambda x:x+1)
>>> df
   A  B   C
0  5  9  13
1  5  9  13
2  5  9  13

2，判断列 A 中元素是否能够被2整除，用 Yes 或 No在旁边标注

>>> df.A = df.A.apply(lambda x:str(x)+"\tYes" if x%2==0 else str(x)+"\tNo")
>>> df
       A  B
0  5\tNo  9
1  5\tNo  9
2  5\tNo  9

apply() 的大部分用法都是上面几点，区别是这里列的例子较简单一些，但对于基础用法理解上来说已经足够了。

以上就是本文的所有内容，最后感谢大家阅读！

发布于 2020-12-31