如何使用Pandas的apply()来代替

在这篇文章中，我们将看到如何在Python中使用Pandas apply() inplace。

在Python中，这个函数等同于map()函数。它接受一个函数作为输入，并将其应用于整个 DataFrame。如果你处理的是表格形式的数据，你需要选择你的函数应该作用于哪个轴（0代表列；1代表行）。

pandas apply()方法是否有一个inplace参数

不，apply()方法不包含inplace参数，不像这些pandas方法有一个inplace参数。

• df.drop()
• df.rename( inplace=True)
• fillna()
• dropna()
• sort_values()
• reset_index()
• sort_index()
• rename()

实际上，inplace参数是什么意思

当inplace = True时，数据被就地编辑，这意味着它将不返回任何东西，数据框将被更新。当inplace = False时，也就是默认情况下，操作被执行，并返回对象的副本。

例1：单列的apply()就地取材

在下面的代码中，我们首先导入了pandas包，并使用pd.read_csv()导入了我们的CSV文件。导入后，我们在数据框的’experience’列上使用apply函数，我们将该列的字符串转换成大写字母。

使用的CSV文件：

# code
import pandas as pd
  
# importing our dataset
df = pd.read_csv('hiring.csv')
# viewing the dataFrame
print(df)
  
# we change the case of all the strings
# in experience column to uppercase
df['experience'] = df['experience'].apply(str.upper)
  
# viewing the modified column
print(df['experience'])

输出:

0      FIVE
1       TWO
2     SEVEN
3     THREE
4    ELEVEN
Name: experience, dtype: object

例2：多列的apply()就地取材

在这个例子中，我们在多个列上使用apply()方法。我们将列的数据类型从float改为int。使用的CSV文件点击这里。

import pandas as pd
import numpy as np
  
# importing our dataset
data = pd.read_csv('cluster_blobs.csv')
  
# viewing the dataFrame
print(df)
  
# we convert the datatype of columns from float to int.
data[['X1', 'X2']] = data[['X1', 'X2']].apply(np.int64)
  
# viewing the modified column
print(data[['X1', 'X2']])

输出:

例3：适用于所有栏目的apply() inplace

在这个例子中，我们使用与之前相同的CSV文件。在这里，我们对整个数据框使用apply()方法。我们将列的数据类型从float改为int。

import pandas as pd
import numpy as np
  
# importing our dataset
data = pd.read_csv('cluster_blobs.csv')
  
# viewing the dataFrame
print(data)
  
# we convert the datatype of
# columns from float to int.
data = data.apply(np.int64)
  
# viewing the modified column
print(data)

输出: