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：
在这里插入图片描述

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：
在这里插入图片描述

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：
在这里插入图片描述

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：
在这里插入图片描述

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：
在这里插入图片描述

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。