pandas函数应用——apply、applymap、map方法

《pandas函数应用——apply、applymap、map方法》

简介

在pandas中, apply() 方法使用是非常灵活的,他比 agg() 方法使用更自由。数据分析师日常使用最多的就是 apply() 方法了,而与之类似的还有 applymap() 和 map() 方法,因此本文将详细介绍下这三种方法的使用和区别:

  • apply:应用在DataFrame的行或列中;
  • applymap:应用在DataFrame的每个元素中;
  • map:应用在单独一列(Series)的每个元素中。

知道它们的使用范围那就好办,接下来我们将会一一做介绍。

apply()方法

前面也说了apply方法是一般性的“拆分-应用-合并”方法。它既可以得到一个经过广播的标量值,也可以得到一个相同大小的结果数组。我们先来看下函数形式:

最重要的是传入的参数 func , func 可以是已经有的函数(比如: np.mean )或者自定义的函数。假设现有如下数据:

可以直接使用NumPy的函数:

或者使用 lambda 函数做简单的运算:

但是这样使用起来非常不方便,每次都要定义 lambda 函数。因此可以通过 def 定义一个函数,然后再调用该函数,在实际处理中都是定义自己所需要的函数完成操作:

在这里我们先定义了一个 cal_result 函数,它的作用是计算 A,B 列和的 x 倍和 y 倍添加到 C,D 列中。这里有三种方式可以完成参数的赋值,第一种方式直接通过关键字参数赋值,指定参数的值;第二种方式是使用 args 关键字参数传入一个包含参数的元组;第三种方式传入通过 ** 传入包含参数和值的字典。

apply的使用是很灵活的,再举一个例子,配合 loc 方法我们能够在最后一行得到一个总和:

applymap()方法

该方法针对DataFrame中的元素进行操作,还是使用这个数据:

此时我们想保留2位小数,可以这样实现:

在这里可以看到applymap方法操作的是其中的元素,并且是对整个DataFrame进行了格式化,我们也可以选择行或列中的元素:

需要注意的是这里必须使用 df[['A']] ,表示这是一个DataFrame,而不是一个Series,如果使用 df['A'] 就会报错。同样从行取元素也要将它先转成DataFrame。还需要注意apply方法和applymap的区别:

  • apply方法操作的是行或列的运算,而不是元素的运算,比如在这里使用格式化操作就会报错;
  • applymap方法操作的是元素,因此没有诸如axis这样的参数,它只接受函数传入。

map()方法

如果你对applymap方法搞清楚了,那么map方法就很简单,说白了map方法是应用在Series中的,还是举上面的例子:

applymap是DataFrame的方法,而map是Series方法。

总结

本文详细介绍了apply、applymap、map方法的使用和区别。再次强调:

  • apply:应用在DataFrame的行或列中;
  • applymap:应用在DataFrame的每个元素中;
  • map:应用在单独一列(Series)的每个元素中。

在数据分析过程中,使用自定义函数能够将繁琐的操作串联起来,提高工作效率。因此对这几个函数要熟练掌握,以后才能事半功倍。

点赞

发表评论

电子邮件地址不会被公开。 必填项已用*标注

6 − 6 =