今天我们就来介绍Pandas常用的几种调用函数的方法。
目录：
- 0. 数据预览
- 1. apply
- 2. applymap
- 3. map
- 4. agg
- 5. pipe
0. 数据预览
这里的数据是虚构的语数外成绩，大家在演示的时候拷贝一下就好啦。
import pandas as pddf = pd.read_clipboard()
df
|
姓名
语文
数学
英语
性别
总分
0
才哥
91
95
92
1
1
小明
82
93
91
1
2
小华
82
87
94
1
3
小草
96
55
88
0
4
小红
51
41
70
0
5
小花
58
59
40
0
6
小龙
70
55
59
1
7
杰克
53
44
42
1
8
韩梅梅
45
51
67
0
1. apply
apply可以对DataFrame类型数据按照列或行进行函数处理，默认情况下是按照列（单独对Series亦可）。
在案例数据中，比如我们想将性别列中的1替换为男，0替换为女，那么可以这样搞定。
先自定义一个函数，这个函数有一个参数 s（Series类型数据）。
def getSex(s):if s==1:
return '男'
elif s==0:
return '女'
上述函数还有更简洁写法，这里方便理解采用最直观的写法哈。
然后，我们直接使用apply去调用这个函数即可。
df['性别'].apply(getSex)可以看到输出结果如下：
0 男1 男
2 男
3 女
4 女
5 女
6 男
7 男
8 女
Name: 性别, dtype: object
当然，我们也可以直接用调用匿名函数lambda的形式：
df['性别'].apply( lambda s: '男' if s==1 else '女' )可以看到结果是一样的：
0 男1 男
2 男
3 女
4 女
5 女
6 男
7 男
8 女
Name: 性别, dtype: object
以上是单纯根据一列的值条件进行的数据处理，我们也可以根据多列组合条件（可以了解为按行）进行处理，需要注意这种情况下需要指定参数axis=1，具体看下面案例。
案例中，我们认为总分高于200且数学分数高于90为高分
# 多列条件组合df['level'] = df.apply(lambda df: '高分' if df['总分']>=200 and df['数学']>=90 else '其他', axis=1)
df
同样，上述用apply调用的函数都是自定义的，实际上我们也可以调用内置或者pandas/numpy等自带的函数。
比如，求语数外和总分最高分：
# python内置的函数df[['语文','数学','英语','总分']].apply(max)语文 96
数学 95
英语 94
总分 278
dtype: int64
求语数外和总分平均分：
# numpy自带的函数import numpy as np
df[['语文','数学','英语','总分']].apply(np.mean)语文 69.777778
数学 64.444444
英语 71.444444
总分 205.666667
dtype: float64
2. applymap
applymap则是对每个元素的函数处理，变量是每个元素值。
比如对语数外三科超过90分认为是科目高分
df[['语文','数学','英语']].applymap(lambda x:'高分' if x>=90 else '其他')语文
数学
英语
0
高分
高分
1
其他
高分
2
其他
其他
3
高分
其他
4
其他
其他
5
其他
其他
6
其他
其他
7
其他
其他
8
其他
其他
3. map
map则是根据输入对应关系映射值返回最终数据，作用于某一列。传入的值可以是字典，键值为原始值，值为需要替换的值。也可以传入一个函数或者字符格式化表达式等等。
以上面性别列中的1替换为男，0替换为女为例，还可以通过map来实现
df['性别'].map({1:'男', 0:'女'})输出结果也是一致的：
0 男1 男
2 男
3 女
4 女
5 女
6 男
7 男
8 女
Name: 性别, dtype: object
比如总分列想变成格式化字符：
df['总分'].map('总分：{}分'.format)0 总分：278分1 总分：266分
2 总分：263分
3 总分：239分
4 总分：162分
5 总分：157分
6 总分：184分
7 总分：139分
8 总分：163分
Name: 总分, dtype: object
4. agg
agg一般用于聚合，在分组或透视操作中常见到，用法是和apply比较接近。
比如，求语数外和总分的最高分、最低分和平均分
df[['语文','数学','英语','总分']].agg(['max','min','mean'])
我们还可以对不同的列进行不同的运算（用字典形式指定）
# 语文最高分、数学最低分和英文最高最低分df.agg({'语文':['max'],'数学':'min','英语':['max','min']})
当然也支持自定义函数的调用
5. pipe
以上四个调用函数的方法，我们发现被调用的函数的参数就是 DataFrame或Serise数据，如果我们被调用的函数还需要别的参数，那么该如何做呢？
所以，pipe就出现了。
pipe又称管道方法，可以将我们的处理分析过程标准化、流程化。它在调用函数的时候可以带被调用函数的其他参数，这样就方便自定义函数的功能扩展了。
比如，我们需要获取总分大于n，性别为sex的同学的数据，其中n和sex是可变参数，那么用apply等就不太好处理。这个时候，就可以用到pipe方法来搞事了！
我们先定义一个函数
# 定义一个函数，总分大于等于n，性别为sex的同学数据（sex为2表示不分性别）def total(df, n, sex):
dfT = df.copy()
if sex == 2:
return dfT[(dfT['总分']>=n)]
else:
return dfT[(dfT['总分']>=n) & (dfT['性别']==sex)]
如果我们要找到总分大于200，不分性别的学生成绩，可以这样：
df.pipe(total,200,2)
再找总分大于150，性别为男生（1）的学生成绩，可以这样：
df.pipe(total,150,1)
再找总分大于200，性别为女生（0）的学生成绩，可以这样：
df.pipe(total,200,0)
搞定！
以上就是本次我们介绍的5种调用函数的方法，这些操作技巧可以让我们在处理数据时更加灵活自如
总结
人生不可重来，但是Python可以重试！
我已经将retrying 这个装饰函数的使用方法毫无保留地奉献给各位看官了，赶快用起来吧！
技术交流
欢迎转载、收藏、有所收获点赞支持一下！
目前开通了技术交流群，群友已超过2000人，添加时最好的备注方式为：来源+兴趣方向，方便找到志同道合的朋友
- 方式①、发送如下图片至微信，长按识别，后台回复：加群；
- 方式③、微信搜索公众号：Python学习与数据挖掘，后台回复：加群
