pandas apply() 函数用法

apply()函数可以用在DataFrame和Series 数据结构中,

1. 当用在Dataframe 结构中时，传入自定义函数的第一个参数是DataFram每一列
2. 当用在Series 结构中时，传入自定义函数的第一个参数是Series中的每一个数据
3. 当用在分组后的DataFrame中时，传入自定义函数的第一个参数是指定列的每一个分组

import pandas as pd
import numpy as np

data = pd.read_csv('joyful-pandas/data/Company_data.csv')
data.head()

	证券代码	日期	收入类型	收入额
0	1	2008/12/31	1	1.084218e+10
1	1	2008/12/31	2	1.259789e+10
2	1	2008/12/31	3	1.451312e+10
3	1	2008/12/31	4	1.063843e+09
4	1	2008/12/31	5	8.513880e+08

# Datafram 应用data_frame，传入的数据是每一列数据，自定义函数被执行了三次
def fn_1(series):
    print(type(series))
    print(max(series))
    return max(series)

data.apply(fn_1)

<class 'pandas.core.series.Series'>
900957
<class 'pandas.core.series.Series'>
2016/12/31
<class 'pandas.core.series.Series'>
176
<class 'pandas.core.series.Series'>
2880310000000.0





证券代码             900957
日期           2016/12/31
收入类型                176
收入额     2880310000000.0
dtype: object

# series 使用apply()函数,传入自定义函数的第一个参数是每一个数字
def fn_2(x,y):
    return y + str(x)
data['收入类型'].apply(fn_2,args=("收入类型",))

0          收入类型1
1          收入类型2
2          收入类型3
3          收入类型4
4          收入类型5
           ...  
964017    收入类型12
964018    收入类型13
964019    收入类型14
964020    收入类型15
964021    收入类型16
Name: 收入类型, Length: 964022, dtype: object

# 应用在分组时,可以看出得到的结果是按照证券代码分组后，每组收入额的平均值。
data.groupby("证券代码")["收入额"].apply(lambda x:x.mean())

证券代码
1         1.706765e+10
2         3.651859e+10
4         3.332924e+07
5         5.009527e+07
6         1.506870e+09
              ...     
900950    1.420116e+09
900951    4.788945e+08
900953    1.766909e+09
900956    1.805563e+09
900957    5.946438e+07
Name: 收入额, Length: 3172, dtype: float64