pandas 调用mysql函数_Pandas函数应用

要将自定义或其他库的函数应用于Pandas对象，有三个重要的方法，下面来讨论如何使用这些方法。使用适当的方法取决于函数是否期望在整个DataFrame，行或列或元素上进行操作。

表合理函数应用：pipe()

行或列函数应用：apply()

元素函数应用：applymap()

表格函数应用

可以通过将函数和适当数量的参数作为管道参数来执行自定义操作。 因此，对整个DataFrame执行操作。

例如，为DataFrame中的所有元素相加一个值2。

adder 函数

adder函数将两个数值作为参数相加并返回总和。

def adder(ele1,ele2):

return ele1+ele2

现在将使用自定义函数对DataFrame进行操作。

df = pd.DataFrame(np.random.randn(5,3),columns=['col1','col2','col3'])

df.pipe(adder,2)

下面来看看完整的程序 -

import pandas as pd

import numpy as np

def adder(ele1,ele2):

return ele1+ele2

df = pd.DataFrame(np.random.randn(5,3),columns=['col1','col2','col3'])

df.pipe(adder,2)

print df

执行上面示例代码，得到以下结果 -

col1 col2 col3

0 2.176704 2.219691 1.509360

1 2.222378 2.422167 3.953921

2 2.241096 1.135424 2.696432

3 2.355763 0.376672 1.182570

4 2.308743 2.714767 2.130288

行或列合理函数应用

可以使用apply()方法沿DataFrame或Panel的轴应用任意函数，它与描述性统计方法一样，采用可选的axis参数。 默认情况下，操作按列执行，将每列列为数组。

示例

import pandas as pd

import numpy as np

df = pd.DataFrame(np.random.randn(5,3),columns=['col1','col2','col3'])

df.apply(np.mean)

print df

执行上面示例代码，得到以下结果 -

col1 col2 col3

0 0.343569 -1.013287 1.131245

1 0.508922 -0.949778 -1.600569

2 -1.182331 -0.420703 -1.725400

3 0.860265 2.069038 -0.537648

4 0.876758 -0.238051 0.473992

通过传递axis参数，可以在行上执行操作。

示例-2

import pandas as pd

import numpy as np

df = pd.DataFrame(np.random.randn(5,3),columns=['col1','col2','col3'])

df.apply(np.mean,axis=1)

print df

执行上面示例代码，得到以下结果 -

col1 col2 col3

0 0.543255 -1.613418 -0.500731

1 0.976543 -1.135835 -0.719153

2 0.184282 -0.721153 -2.876206

3 0.447738 0.268062 -1.937888

4 -0.677673 0.177455 1.397360

示例-3

import pandas as pd

import numpy as np

df = pd.DataFrame(np.random.randn(5,3),columns=['col1','col2','col3'])

df.apply(lambda x: x.max() - x.min())

print df

执行上面示例代码，得到以下结果 -

col1 col2 col3

0 -0.585206 -0.104938 1.424115

1 -0.326036 -1.444798 0.196849

2 -2.033478 1.682253 1.223152

3 -0.107015 0.499846 0.084127

4 -1.046964 -1.935617 -0.009919

元素合理函数应用

并不是所有的函数都可以向量化(也不是返回另一个数组的NumPy数组，也不是任何值)，在DataFrame上的方法applymap()和类似于在Series上的map()接受任何Python函数，并且返回单个值。

示例-1

import pandas as pd

import numpy as np

df = pd.DataFrame(np.random.randn(5,3),columns=['col1','col2','col3'])

# My custom function

df['col1'].map(lambda x:x*100)

print df

执行上面示例代码，得到以下结果 -

col1 col2 col3

0 0.629348 0.088467 -1.790702

1 -0.592595 0.184113 -1.524998

2 -0.419298 0.262369 -0.178849

3 -1.036930 1.103169 0.941882

4 -0.573333 -0.031056 0.315590

示例-2

import pandas as pd

import numpy as np

# My custom function

df = pd.DataFrame(np.random.randn(5,3),columns=['col1','col2','col3'])

df.applymap(lambda x:x*100)

print df

执行上面示例代码，得到以下结果 -

output is as follows:

col1 col2 col3

0 17.670426 21.969052 -49.064031

1 22.237846 42.216693 195.392124

2 24.109576 -86.457646 69.643171

3 35.576312 -162.332803 -81.743023

4 30.874333 71.476717 13.028751

¥ 我要打赏

纠错/补充

收藏

加QQ群啦，易百教程官方技术学习群

注意：建议每个人选自己的技术方向加群，同一个QQ最多限加 3 个群。