文章目录
每篇前言
一、Pandas自定义函数
1. pipe()
语法格式:
DataFrame.pipe(func: Callable[..., T] | tuple[Callable[..., T], str],*args,**kwargs,)
参数说明:
- func:自己编写要应用于Series/DataFrame的函数,*args, **kwargs被传递到“func”中
- args:迭代的参数,可选,可以是元组类型,也可以是列表类型或者其他。
- kwargs:映射的参数,可选,是一个包含关键字的字典。
1. 首先写一个自定义函数(DataFrame中所有数值乘以多少倍):
def ride(num, multiple):
return num * multiple
2. 应用自定义函数:
import numpy as np
import pandas as pd
# 自定义函数
def ride(num, multiple):
return num * multiple
df = pd.DataFrame(np.ones((3, 3)), columns=['a', 'b', 'c'])
print("应用前:")
print(df)
print("应用后:")
print(df.pipe(ride, 10)) # 所有数值乘以10倍
运行结果:
2. apply()
语法格式:
DataFrame.apply(func: AggFuncType,axis: Axis = 0,raw: bool = False,result_type=None,args=(),**kwargs,)
参数说明:
-
func:自己编写要应用于Series/DataFrame的函数,*args, **kwargs被传递到“func”中
-
Axis :应用功能的轴,0 将函数应用于每列,1将函数应用于每一行,默认为0。
-
raw:bool,默认为False。确定行或列是否作为Series或ndarray对象传递:
-
False
:将每行或每列作为序列传递给作用 -
True
:传递的函数将接收ndarray对象 -
相反,如果您只是应用NumPy缩减函数,这将实现更好的性能。
-
-
result_type:‘expand’,‘reduce’,‘broadcast’,None},默认为None。这些仅在“轴=1”(列)时起作用:
-
expand
:类似列表的结果将变成列。 -
reduce
:如果可能,返回一个序列,而不是展开列表式结果。这与“展开”相反。 -
broadcast
:结果将广播到原始形状在DataFrame中,原始索引和列将是保留。 -
默认行为(
None
)取决于应用的函数:类似列表的结果将作为序列返回其中之一。但是,如果apply函数返回Series展开为列。
-
-
args:迭代的参数,可选,可以是元组类型,也可以是列表类型或者其他。
-
kwargs:映射的参数,可选,是一个包含关键字的字典。
可以与lambda结合使用:
import numpy as np
import pandas as pd
data = {'A': pd.Series(1, index=list(range(4)), dtype='float32'),
'B': pd.Series(2, index=list(range(4)), dtype='float32'),
'C': pd.Series(3, index=list(range(4)), dtype='float32')
}
df = pd.DataFrame(data)
print("应用前:")
print(df)
print("对列进行求和:")
print(df.apply(lambda x: x.sum(), axis=0))
print("对行进行求和:")
print(df.apply(lambda x: x.sum(), axis=1))
运行结果:
3. map()
语法格式:
Series.map(arg, na_action=None) -> Series
参数说明:
- arg:自己编写要应用于Series的函数。映射子类或系列映射对应关系
- na_action:{None,“ignore”},默认为无,如果“ignore”,则传播NaN值,而不将它们传递给映射对应关系。
使用map()函数来将 A 这一列的数据改为保留三位小数显示:
import numpy as np
import pandas as pd
data = {'A': pd.Series(1, index=list(range(4)), dtype='float32'),
'B': pd.Series(2, index=list(range(4)), dtype='float32'),
'C': pd.Series(3, index=list(range(4)), dtype='float32')
}
df = pd.DataFrame(data)
print("应用前:")
print(df)
print("应用后:")
print(df['A'].map(lambda x : "%.3f"%x))
运行结果:
4. applymap()
语法格式:
DataFrame.applymap(func: PythonFuncType, na_action: str | None = None, **kwargs) -> DataFrame
参数说明:
-
func:Python函数,从单个值返回单个值。
-
na_action:{None,“ignore”},默认为无,如果“ignore”,则传播NaN值,而不将它们传递给func。
-
kwargs:映射的参数,可选,是一个包含关键字的字典。
import numpy as np
import pandas as pd
data = {'A': pd.Series(1, index=list(range(4)), dtype='float32'),
'B': pd.Series(2, index=list(range(4)), dtype='float32'),
'C': pd.Series(3, index=list(range(4)), dtype='float32')
}
df = pd.DataFrame(data)
print("应用前:")
print(df)
print("应用后:")
print(df.applymap(lambda x: x * 10))
运行结果:
5. agg()
语法格式:
DataFrame.agg(func=None, axis: Axis = 0, *args, **kwargs)
参数说明:
- func:用于聚合数据的函数,如max()、mean()、count()等,函数必须满足传入一个DataFrame能正常使用,或传递到DataFrame.apply()中能正常使用。
- Axis :应用功能的轴,0 将函数应用于每列,1将函数应用于每一行,默认为0。
- args:迭代的参数,可选,可以是元组类型,也可以是列表类型或者其他。
- kwargs:映射的参数,可选,是一个包含关键字的字典。
import numpy as np
import pandas as pd
data = [[1, 2, 3, 4],
[11, 22, 33, 44],
[111, 222, 333, 444],
[1111, 2222, 3333, 4444]
]
df = pd.DataFrame(data)
print("应用前:")
print(df)
print("在列上聚合这些函数:")
print(df.agg(['max', 'min', 'mean']))
print("在行上聚合这些函数:")
print(df.agg(['max', 'min', 'mean'],axis=1))
运行结果:
二、总结
-
1、通过给 pipe() 函数传递一个自定义函数和适当数量的参数值,从而操作 DataFrme 中的所有元素
-
2、apply()方法使用与Series对象、DataFrame对象、Groupby对象,处理的是行或列数据(本质上处理的是单个Series),用函数类对象来构建映射关系对Series对象进行转换;
-
3、map()方法适用于Series对象,可以通过字典或函数类对象来构建映射关系对Series对象进行转换;
-
4、applymap()方法用来处理DataFrame对象的单个元素值,也是使用函数类对象映射转换
-
5、agg()函数为aggregate的缩写,总数、合计、聚合的意思,是一个功能非常强大的函数,在Pandas中可以利用agg()对Series、DataFrame以及groupby()后的结果进行聚合操作。
三、书籍推荐1
【书籍内容简介】
- 京东自营:https://item.jd.com/13331763.html
四、书籍推荐1
【书籍内容简介】
- 当当:http://product.dangdang.com/28496655.html
- 京东:https://item.jd.com/12609791.html