Pandas中map(),applymap(),apply()函数的使用方法_开发_开发者

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: fjsloat64

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 = la开发者_Python开发mbda 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
# js2 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()内容请搜索我们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我们！