Pandas數據處理|apply()函數的常規用法

本文介紹一下關於 Pandas 中 apply() 函數的幾個常見用法，apply() 函數的自由度較高，可以直接對 Series 或者 DataFrame 中元素進行逐元素遍歷操作，方便且高效，具有類似於 Numpy 的特性。

apply() 使用時，通常放入一個 lambda 函數表達式、或一個函數作為操作運算，官方上給出的 apply() 用法：

DataFrame.apply(self, func, axis=0, raw=False, result_type=None, args=(), **kwds

func 代表的是傳入的函數或 lambda 表達式；

axis 參數可提供的有兩個，該參數默認為0/列

0 或者 index ，表示函數處理的是每一列；

1 或 columns ，表示處理的是每一行;

raw ；bool 類型，默認為 False;

False ，表示把每一行或列作為 Series 傳入函數中；

True，表示接受的是 ndarray 數據類型；

apply() 最後的是經過函數處理，數據以 Series 或 DataFrame 格式返回。

下面用幾個例子來介紹一下 apply() 的具體使用；

DataFrame 使用apply()

1，計算每個元素的平方根

這裡為了方便，直接用到 numpy 的 sqrt 函數；

>>> df  =pd.DataFrame([[4,9]]*3,columns = ['A','B'])
>>> df
   A  B
0  4  9
1  4  9
2  4  9


>>> df.apply(np.sqrt)
     A    B
0  2.0  3.0
1  2.0  3.0
2  2.0  3.0

2，計算每一行元素的平均值

這裡傳入數據是以列的形式存在的，所以 axis = 0，即可以省略；

>>> df.apply(np.mean)
A    4.0
B    9.0

3，計算每一列元素的平均值

與 2 不同的是這裡以行的行形式傳入，要加一個參數 axis =1；

>>> df.apply(np.mean,axis = 1)
0    6.5
1    6.5
2    6.5
dtype: float64

4，添加新列C，其值分別為列A、B之和

實現這個功能，最簡單的一行代碼即可實現:

df['C'] = df.A +df.B

但這裡要用 apply() 來實現，實現對列間操作的用法，操作步驟分為下面兩步：

1，先定義一個函數實現 列A + 列B ；

2，利用apply() 添加該函數，且數據需要逐行加入，因此設置axis = 1

>>> def Add_a(x):
...   return x.A+x.B

>>> df['C'] = df.apply(Add_a,axis=1)
>>> df
   A  B   C
0  4  9  13
1  4  9  13
2  4  9  13

Series 使用apply()

Series 使用 apply() 函數與 DataFrame 相似，用法上最大區別就是加了一個列名 DataFram.類名

1，列 A 中所有元素加 1

不用 apply() 的方法

df.A =df.A +1

利用 apply() 函數進行操作，這裡我傳入一個 lambda 函數：

>>> df.A = df.A.apply(lambda x:x+1)
>>> df
   A  B   C
0  5  9  13
1  5  9  13
2  5  9  13

2，判斷列 A 中元素是否能夠被2整除，用 Yes 或 No在旁邊標註

>>> df.A = df.A.apply(lambda x:str(x)+"\tYes" if x%2==0 else str(x)+"\tNo")
>>> df
       A  B
0  5\tNo  9
1  5\tNo  9
2  5\tNo  9

apply() 的大部分用法都是上面幾點，這裡列的例子較簡單一些，但對於基礎用法理解上來說已經足夠了。

以上就是本文的所有內容，最後感謝大家閱讀！

推薦閱讀：