pandas中df.apply有什么作用？

在数据分析和处理中，特别是在使用Pandas库处理DataFrame对象时，df.apply() 是一个非常有用的函数。它的作用是将一个函数应用到DataFrame的行或列上，或者整个DataFrame上的元素，以进行数据转换或操作。

df.apply() 的基本用法

语法：

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

参数说明：

• func：要应用于每一行或每一列的函数。可以是一个自定义函数、lambda函数或者已有的函数。
• axis：指定函数是沿着行（0）、列（1）还是直接作用于整个DataFrame（None，默认为0）。
• raw：是否将Series对象传递给func，默认为False。如果为True，则每一行或列将作为Series对象传递给func，而不是作为Numpy数组。
• result_type：指定返回的数据结构，可以是broadcast，reduce，或者expand，默认为None。
• args：可选的额外参数传递给func。

• 应用场景

• 对每一行或每一列应用函数：

  # 对每一列求平均值
• import pandas as pd
• data = { 'A': [1, 2, 3], 'B': [4, 5, 6], 'C': [7, 8, 9] }
• df = pd.DataFrame(data)
• # 对每一行求平均值
• result = df.apply(lambda x: x.mean(), axis=0)
• print(result)
• 输出：A 2.0 B 5.0 C 8.0 dtype: float64
• 使用自定义函数：
• # 自定义函数，对每个元素加1
• def add_one(x):
•       return x + 1
• df = pd.DataFrame({ 'A': [1, 2, 3], 'B': [4, 5, 6] })
• result = df.apply(add_one) print(result)
• 
• import numpy as np
• df = pd.DataFrame({ 'A': [1, 2, np.nan], 'B': [4, np.nan, 6] })
• # 填充每一列的缺失值为该列的均值
• result = df.apply(lambda x: x.fillna(x.mean()), axis=0) print(result)
• 
• 复杂操作：
• # 判断每一行是否符合条件
• df = pd.DataFrame({ 'A': [1, 2, 3], 'B': [4, 5, 6] })
• def check_condition(row):
•       return row['A'] > 1 and row['B'] < 6
•  result = df.apply(check_condition, axis=1) print(result)
• 

• 总结

  df.apply() 是Pandas中强大的函数之一，它能够根据指定的函数对DataFrame的行、列或整个DataFrame进行操作和转换。通过合理利用axis参数，可以灵活地应用于不同的数据处理场景，使得数据清洗、转换和分析变得更加高效和方便。