目录
- 指定pandas对象作为NumPy函数的参数
- 元素的应用
- 行/列的应用
- pandas.DataFrame，pandas.Series方法
- Pandas对象方法的函数应用
- 适用于Series的每个元素：map（），apply（）
- 应用于DataFrame的每个元素：applymap（）
- 应用于DataFrame的每行和每列：apply（）
- 应用于DataFrame的特定行/列元素
将函数应用于pandas对象（pandas.DataFrame，pandas.Series）时，根据所应用的函数类型以及是否将其应用于元素，行或列，使用的方法会有所不同。
指定pandas对象作为NumPy函数的参数
- 将Pandas对象指定为函数参数
- 是否将其应用于元素，行或列取决于函数的类型和参数的设置而有所不同
- Pandas对象中的一些方法
Pandas对象方法的函数应用
元素功能（标量值）
- 适用于Series的每个元素：map（），apply（）
- 应用于DataFrame的每个元素：applymap（）
行和列的功能（一维数组）
- 应用于DataFrame的每行和每列：apply（）
用以下csv文件作为示例进行说明。
a,b,c,d
11,12,13,14
21,22,23,24
31,32,33,34
import pandas as pd
import numpy as np
df = pd.read_csv('./data/06/sample_header.csv')
print(df)
# a b c d
# 0 11 12 13 14
# 1 21 22 23 24
# 2 31 32 33 34
指定pandas对象作为NumPy函数的参数
可以将Pandas对象指定为NumPy函数的参数。
元素的应用
NumPy的通用函数（ufunc：应用于数组元素的函数）适用于pandas对象的每个元素。
绝对值（fabs（）），平方根（sqrt（）），log（log（））等。
print(np.sqrt(df)) # a b c d # 0 3.316625 3.464102 3.605551 3.741657 # 1 4.582576 4.690416 4.795832 4.898979 # 2 5.567764 5.656854 5.744563 5.830952
行/列的应用
如果将pandas对象指定为从NumPy数组的所有元素计算值的函数的参数，则默认情况下它将应用于pandas对象的每列。如果参数轴= 1，则将其应用于每行。
最大值（amax（）），最小值（amin（）），平均值（mean（））等。
print(np.amax(df)) # a 31 # b 32 # c 33 # d 34 # dtype: int64 print(np.mean(df, axis=1)) # 0 12.5 # 1 22.5 # 2 32.5 # dtype: float64
pandas.DataFrame，pandas.Series方法
最大值，最小值，平均值，方差等也被准备为Pandas对象的方法，因此也可以直接使用它们。
同样，在这种情况下，默认情况下也会将其应用于每一列，并且如果参数axis = 1，则会将其应用于每一行。
print(df.max()) # a 31 # b 32 # c 33 # d 34 # dtype: int64 print(df.max(axis=1)) # 0 14 # 1 24 # 2 34 # dtype: int64
Pandas对象方法的函数应用
可以使用pandas对象方法将函数应用于元素，行和列。您可以应用Python内置函数或您定义的函数。
- 应用于Series的每个元素：map（），apply（）
- 应用于DataFrame的每个元素：applymap（）
- 应用于DataFrame的每行和每列：apply（）
- 应用于DataFrame的特定行/列元素
以上方法都返回一个新的已处理的对象，而原始对象则保持不变。没有像dropna（）或fillna（）那样的参数，因此，如果想更改原始对象本身时，
df = df.applymap(function)
如上，用原始对象替换新对象并覆盖它。
适用于Series的每个元素：map（），apply（）
将Python内置函数，匿名函数（lambda）或def定义的函数传递给map（）或apply（）的参数。
s = df['a']
print(s)
# 0 11
# 1 21
# 2 31
# Name: a, dtype: int64
f_brackets = lambda x: '[{}]'.format(x)
print(s.map(f_brackets))
# 0 [11]
# 1 [21]
# 2 [31]
# Name: a, dtype: object
def f_str(x):
return str(x).replace('1', 'One').replace('2', 'Two').replace('3', 'Three').replace('4', 'Four')
print(s.map(f_str))
# 0 OneOne
# 1 TwoOne
# 2 ThreeOne
# Name: a, dtype: object
对于map（），如果将字典dict指定为参数，它将替换为元素。
应用于DataFrame的每个元素：applymap（）
将Python的内置函数，匿名函数（lambda）或def定义的函数传递为applymap（）的参数。
f_oddeven = lambda x: 'odd' if x % 2 == 1 else 'even' print(df.applymap(f_oddeven)) # a b c d # 0 odd even odd even # 1 odd even odd even # 2 odd even odd even
应用于DataFrame的每行和每列：apply（）
将适用于一维数组的函数传递给apply（）的参数。默认情况下，它应用于每列，如果axis = 1，则应用于每行。
f_maxmin = lambda x: max(x) - min(x) print(df.apply(f_maxmin)) # a 20 # b 20 # c 20 # d 20 # dtype: int64 print(df.apply(f_maxmin, axis=1)) # 0 3 # 1 3 # 2 3 # dtype: int64
应用于DataFrame的特定行/列元素
由于没有方法仅将功能应用于DataFrame的特定行/列元素，可执行以下方法。
- 选择行/列并应用带有map（）或apply（）的功能
- 覆盖原始行/列
df['b'] = df['b'].map(f_str) print(df) # a b c d # 0 11 OneTwo 13 14 # 1 21 TwoTwo 23 24 # 2 31 ThreeTwo 33 34 df.iloc[2] = df.iloc[2].map(f_str) print(df) # a b c d # 0 11 OneTwo 13 14 # 1 21 TwoTwo 23 24 # 2 ThreeOne ThreeTwo ThreeThree ThreeFour
到此这篇关于Pandas中map(),applymap(),apply()函数的使用方法的文章就介绍到这了,更多相关Pandas map(),applymap(),apply()内容请搜索自由互联以前的文章或继续浏览下面的相关文章希望大家以后多多支持自由互联！