pandas DataFrame applymap()函数

最新推荐文章于 2024-08-09 09:50:50 发布

疯子vs年华

最新推荐文章于 2024-08-09 09:50:50 发布

阅读量3.6k

点赞数

分类专栏： np and pd 文章标签： pandas applymap

本文链接：https://blog.csdn.net/chang995196962/article/details/104006736

版权

np and pd 专栏收录该内容

18 篇文章 0 订阅

订阅专栏

1.dataframe和series中都有apply方法，dataframe中的apply方法需要指定axis参数，是对一行或者一列进行操作，比如求一列的最大值与最小值之差等；series中的apply方法与map方法一样，都是作用于单个元素，所以不具有axis参数；更不能求最大值与最小值之差，因为apply到的是单个元素，单个元素时没有最大值、最小值一说的；

2. dataframe中的apply（）函数是自动作用于每一列/行，不是单独某一列或者某一行，否则就成了series了；

3.series中的map和apply函数自动作用于每一个元素，不是单独的某个元素，否则直接指定元素进行相应操作好啦，不用map和apply函数了

在pandas中， apply() 方法使用是非常灵活的，他比 agg() 方法使用更自由。数据分析师日常使用最多的就是 apply() 方法了，而与之类似的还有 applymap() 和 map() 方法，因此本文将详细介绍下这三种方法的使用和区别：

apply：应用在DataFrame的行或列中；
applymap：应用在DataFrame的每个元素中；
map：应用在单独一列（Series）的每个元素中

1、 apply()方法

前面也说了apply方法是一般性的“拆分-应用-合并”方法。它既可以得到一个经过广播的标量值，也可以得到一个相同大小的结果数组。我们先来看下函数形式：

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

最重要的是传入的参数 func ， func 可以是已经有的函数（比如： np.mean ）或者自定义的函数。假设现有如下数据：

>>>import numpy as np

>>>import pandas as pd

>>>df = pd.DataFrame(np.random.randn(2, 2), columns=list('AB'))

>>>df

A B

0 0.109197 0.510993

1 0.888893 0.561702

可以直接使用NumPy的函数：

# 默认为行运算

>>>df.apply(np.sum)

A 0.998090

B 1.072696

dtype: float64

# axis=1列运算

>>>df.apply(np.sum, axis=1)

0 0.620191

1 1.450596

dtype: float64

或者使用 lambda 函数做简单的运算：

>>>df.apply(lambda x: x + 1)

A B

0 1.109197 1.510993

1 1.888893 1.561702

但是这样使用起来非常不方便，每次都要定义 lambda 函数。因此可以通过 def 定义一个函数，然后再调用该函数，在实际处理中都是定义自己所需要的函数完成操作：

>>>def cal_result(df, x, y):

df['C'] = (df['A'] + df['B']) * x

df['D'] = (df['A'] + df['B']) * y

return df

>>>df.apply(cal_result, x=3, y=8, axis=1) # 第一种方式

A B C D

0 0.109197 0.510993 1.860572 4.961525

1 0.888893 0.561702 4.351787 11.604764

>>>df.apply(cal_result, args=(3, 8), axis=1) # 第二种方式

A B C D

0 0.109197 0.510993 1.860572 4.961525

1 0.888893 0.561702 4.351787 11.604764

>>>df.apply(cal_result, **{'x': 3, 'y': 8}, axis=1) # 第三种方式

A B C D

0 0.109197 0.510993 1.860572 4.961525

1 0.888893 0.561702 4.351787 11.604764

在这里我们先定义了一个 cal_result 函数，它的作用是计算 A,B 列和的 x 倍和 y 倍添加到 C,D 列中。这里有三种方式可以完成参数的赋值，第一种方式直接通过关键字参数赋值，指定参数的值；第二种方式是使用 args 关键字参数传入一个包含参数的元组；第三种方式传入通过 ** 传入包含参数和值的字典。

apply的使用是很灵活的，再举一个例子，配合 loc 方法我们能够在最后一行得到一个总和：

>>>df.loc[2] = df.apply(np.sum)

>>>df

A B

0 0.109197 0.510993

1 0.888893 0.561702

2 0.998090 1.072696

pandas DataFrame的 applymap() 函数：

可以对DataFrame里的每个值进行处理,然后返回一个新的DataFrame

1、对每一列都加1操作

import pandas as pd

df = pd.DataFrame({
    'a': [1, 2, 3],
    'b': [10, 20, 30],
    'c': [5, 10, 15]
})
    
def add_one(x):
     return x + 1

输出应用applymap()

print df.applymap(add_one)


   a   b   c
0  2  11   6
1  3  21  11
2  4  31  16

2、例子说明:

这里有一组数据是10个学生的两次考试成绩,要求把成绩转换成ABCD等级:

转换规则是:

90-100 -> A
80-89 -> B
70-79 -> C
60-69 -> D
0-59 -> F

DF对象：

grades_df = pd.DataFrame(
    data={'exam1': [43, 81, 78, 75, 89, 70, 91, 65, 98, 87],
          'exam2': [24, 63, 56, 56, 67, 51, 79, 46, 72, 60]},
    index=['Andre', 'Barry', 'Chris', 'Dan', 'Emilio', 
           'Fred', 'Greta', 'Humbert', 'Ivan', 'James']
)

applymap() 应用，可以直接写一个函数，也可以用 lambda 函数

def convert_to_letter(score):
    if (score >= 90):
        return 'A'
    elif (score >= 80):
        return 'B'
    elif (score >= 70):
        return 'C'
    elif (score >= 60):
        return 'D'
    else:
        return 'F'
      
def convert_grades(grades):
    return grades.applymap(convert_to_letter)

print convert_grades(grades_df)

        exam1 exam2
Andre       F     F
Barry       B     D
Chris       C     F
Dan         C     F
Emilio      B     D
Fred        C     F
Greta       A     C
Humbert     D     F
Ivan        A     C
James       B     D