当前位置：极客教程 > Pandas > Pandas 精品教程 > Python Pandas 函数应用

Python Pandas 函数应用

Python Pandas 函数应用

要将自己或其他库的函数应用到Pandas对象上，您需要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希望对整个DataFrame还是逐行/逐列或逐个元素进行操作。

  • 表格全局函数应用：pipe()
  • 逐行或逐列函数应用：apply()
  • 逐个元素函数应用：applymap()

表格全局函数应用

通过将函数和适当数量的参数作为pipe的参数传递，可以执行自定义操作。因此，操作将在整个DataFrame上执行。

例如，将值2添加到DataFrame的所有元素中。然后，

加法函数

加法函数将两个数字值作为参数相加，并返回它们的和。

def adder(ele1,ele2):
   return ele1+ele2
Python

我们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)
Python

让我们来看看完整的程序−

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)
Python

它的 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
Python

行或列的函数应用

可以使用 apply() 方法沿着DataFrame或Panel的轴应用任意函数。该方法和描述性统计方法一样，可以接受一个可选的axis参数。默认情况下，该操作按列进行，将每一列视为类似数组的对象。

示例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)
Python

它的 输出 如下 –

col1   -0.288022
col2    1.044839
col3   -0.187009
dtype: float64
Python

通过传递 axis 参数，可以逐行执行操作。

示例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)
Python

它的 输出 如下：

col1    0.034093
col2   -0.152672
col3   -0.229728
dtype: float64
Python

示例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)
Python

它的 输出 如下所示：

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

逐元素函数应用

并非所有函数都可以向量化（既不能作用于返回另一个数组的NumPy数组，也不能作用于任何值），DataFrame上的 applymap() 方法和Series上的 analogously map() 方法接受任何接受一个值并返回一个值的Python函数。

示例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)
Python

它的 输出 如下：

col1    0.480742
col2    0.454185
col3    0.266563
dtype: float64
Python

示例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)
Python

它的 输出 如下所示：

col1    0.395263
col2    0.204418
col3   -0.795188
dtype: float64
Python

Python教程

Python 教程

Python 教程
Tkinter 教程

Tkinter 教程
Pandas 教程

Pandas 教程
NumPy 教程

NumPy 教程
Flask 教程

Flask 教程
Django 教程

Django 教程
PySpark 教程

PySpark 教程
wxPython 教程

wxPython 教程
SymPy 教程

SymPy 教程
Seaborn 教程

Seaborn 教程
SciPy 教程

SciPy 教程
RxPY 教程

RxPY 教程
Pycharm 教程

Pycharm 教程
Pygame 教程

Pygame 教程
PyGTK 教程

PyGTK 教程
PyQt 教程

PyQt 教程
PyQt5 教程

PyQt5 教程
PyTorch 教程

PyTorch 教程
Matplotlib 教程

Matplotlib 教程
Web2py 教程

Web2py 教程
BeautifulSoup 教程

BeautifulSoup 教程

Java教程

Java 教程

Java 教程

Web教程

HTML 教程

HTML 教程
CSS 教程

CSS 教程
CSS3 教程

CSS3 教程
jQuery 教程

jQuery 教程
Ajax 教程

Ajax 教程
AngularJS 教程

AngularJS 教程
TypeScript 教程

TypeScript 教程
WordPress 教程

WordPress 教程
Laravel 教程

Laravel 教程
Next.js 教程

Next.js 教程
PhantomJS 教程

PhantomJS 教程
Three.js 教程

Three.js 教程
Underscore.JS 教程

Underscore.JS 教程
WebGL 教程

WebGL 教程
WebRTC 教程

WebRTC 教程
VueJS 教程

VueJS 教程

数据库教程

SQL 教程

SQL 教程
MySQL 教程

MySQL 教程
MongoDB 教程

MongoDB 教程
PostgreSQL 教程

PostgreSQL 教程
SQLite 教程

SQLite 教程
Redis 教程

Redis 教程
MariaDB 教程

MariaDB 教程

图形图像教程

Vulkan 教程

Vulkan 教程
OpenCV 教程

OpenCV 教程

大数据教程

R语言 教程

R语言 教程

开发工具教程

Git 教程

Git 教程
VSCode 教程

VSCode 教程
Docker 教程

Docker 教程
Gerrit 教程

Gerrit 教程
Excel 教程

Excel 教程

计算机教程

Go语言 教程

Go语言 教程
C++ 教程

C++ 教程

Pandas 精品教程

登录

找回密码？

注册