当前位置：极客教程 > Pandas > Pandas 入门教程 > Python Pandas 函数应用

Python Pandas 函数应用

Python Pandas 函数应用

为了将你自己的或其他库的函数应用到Pandas对象上，你应该了解三个重要的方法。下面已经讨论了这些方法。适当的方法取决于你的函数是否期望对整个DataFrame进行操作，是按行或按列操作，还是按元素操作。

  • 从表来看的函数应用：pipe()
  • 行或列明智的函数应用：apply()
  • 从元素上看的函数应用：applymap()

按表计算的函数应用

自定义操作可以通过传递函数和适当数量的参数作为管道参数来执行。因此，操作是在整个DataFrame上进行的。

例如，给DataFrame中的所有元素添加一个值2。然后。

加法器函数

加法器函数将两个数字值作为参数相加，并返回总和。

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

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)
Python

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)
Python

其 输出结果 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

基于行或列的功能应用

任意函数可以通过 apply() 方法沿DataFrame或Panel的坐标轴应用，该方法与描述性统计方法一样，需要一个可选的坐标轴参数。默认情况下，该操作是按列执行的，将每一列作为一个数组。

例子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

其 输出结果 如下 –

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

通过传递 轴 参数，可以按行进行操作。

例子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

其 输出结果 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

其 输出结果 如下 –

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

元素的功能应用

并非所有的函数都可以被矢量化（NumPy数组既不返回另一个数组，也不返回任何值），DataFrame上的 applymap() 方法和Series上的 map() 方法可以接受任何获取单一值并返回单一值的Python函数。

例子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

其 输出结果 如下 –

col1    0.480742
col2    0.454185
col3    0.266563
dtype: float64
Python

例子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

其 输出结果 如下 –

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 入门教程

登录

找回密码？

注册