python function应用_功能应用(Function Application)

功能应用(Function Application)

要将您自己或其他库的函数应用于Pandas对象，您应该了解三个重要方法。 这些方法已在下面讨论。 使用的适当方法取决于您的函数是期望在整个DataFrame，行或列方式还是元素方式上运行。表明功能应用:管道()

行或列智能函数应用程序:apply()

元素智能函数应用程序:applymap()

逐表函数应用

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

例如，为DataFrame中的所有元素添加值2。 然后，

加法器功能

加法器函数添加两个数值作为参数并返回总和。def adder(ele1,ele2):

return ele1+ele2

我们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)

让我们看看完整的节目 -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.apply(np.mean)

其output如下 -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

行或列智能函数应用程序

可以使用apply()方法沿DataFrame或Panel的轴应用任意函数，该方法与描述性统计方法一样，采用可选的轴参数。 默认情况下，操作按列方式执行，将每列作为类似数组。

例子1 (Example 1)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.apply(np.mean)

其output如下 -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，可以逐行执行操作。

例子2 (Example 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.apply(np.mean)

其output如下 -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

例子3 (Example 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.apply(np.mean)

其output如下 -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

元素智能函数应用

并非所有函数都可以进行矢量化(NumPy数组既不返回另一个数组也不是任何值)， applymap()上的方法applymap()和analogously map()系列上的analogously map()接受任何采用单个值并返回单个值的Python函数。

例子1 (Example 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.apply(np.mean)

其output如下 -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

例子2 (Example 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.apply(np.mean)

其output如下 -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

描述性统计(Descriptive Statistics)