pandas37 df.apply沿轴应用函数（作用于每一列或行 tcy）
1.函数
df.apply(func, axis=0, broadcast=None, raw=False,
reduce=None, result_type=None, args=(), **kwds)# 沿DataFrame的轴应用函数；
s.apply(func, convert_dtype=True, args=(), **kwds)
参数
func : 应用于每个列或行的函数python函数用标量，np函数用序列
axis=0：{0或'index'，1或'columns'}，应用函数的轴
# * 0或'index'：将函数应用于每列。
# * 1或'columns'：将函数应用于每一行。
raw=False：
*False：将每行或每列作为一个系列传递给函数。
*True：传递的函数将接收ndarray对象；
result_type=None：{'expand'，'reduce'，'broadcast'，None}只在axis = 1列时起作用
*'expand'：列表式结果将变为列。
*'reduce'：返回系列而不是扩展类似列表的结果。这与'expand'相反。
*'broadcast'：结果将广播到原始形状
*None）列表的结果将作为系列返回
但是如果apply函数返回一个Series这些被扩展为列。
args：元组#func位置参数
** kwds #func作为关键字参数2.df实例
# 实例1：用numpy通用函数
df = pd.DataFrame(np.arange(10,19).reshape(3,3), columns=['A', 'B','C'])
df.apply(np.square)#等价于np.square(df)
# df result
A B C A B C
0 10 11 12 0 100 121 144
1 13 14 15 1 169 196 225
2 16 17 18 2 256 289 324
============================================================
# 实例2：axis在任一轴上使用缩小功能
result1=df.apply(np.sum, axis=0) #结果同下
result1=df.apply(np.sum,raw=True) #df作为ndarray数组传入，性能提升
result2=df.apply(np.sum, axis=1)
# df result1 result2
A B C A 39 0 33
0 10 11 12 B 42 1 42
1 13 14 15 C 45 2 51
2 16 17 18 dtype: int64 dtype: int64
============================================================
# 实例3.1：重新调整类似列表将导致系列
result1=df.apply(lambda x: [1, 2])
result2=df.apply(lambda x: [1, 2], axis=1)
# 实例3.2：result_type ='expand'将扩展列表数据到df的列中
result3=df.apply(lambda x: [1, 2], axis=1, result_type='expand')
# 实例3.3：result_type='expand'将系列数据作为df的列，列名为序列索引
result4=df.apply(lambda x: pd.Series([1, 2], index=['A', 'B']), axis=1)
# 实例3.4：result_type ='broadcast'``确保相同形状
# 函数返回列表或标量，并沿轴播放
result5=df.apply(lambda x: [1, 2], axis=1, result_type='broadcast')
# result1 result2 result3 result4 result5
A [1, 2] 0 [1, 2] 0 1 A B A B
B [1, 2] 1 [1, 2] 0 1 2 0 1 2 0 1 2
C [1, 2] 2 [1, 2] 1 1 2 1 1 2 1 1 2
dtype: object dtype: object 2 1 2 2 1 2 2 1 2
============================================================
# 实例4：函数参数
def add(x=0,y=0,z=0):
return x+y+z
arg_dict={'y':df.A,'z':df.B}
df.apply(add,args=(2,3)) #将df的每一列+2+3
df.apply(add,args=(df.A,df.B)) #将df的每一列+A列+B列=A=2*A+B;B= A+2*B ;C=A+B+C
df.apply(add, axis=0, broadcast=None, raw=False,
reduce=None, result_type=None, args=(),**arg_dict) #结果同上
df.apply(add, axis=0, broadcast=None, raw=False,
reduce=None, result_type=None, args=(),y=df.A,z=df.B) #结果同上3.系列实例
# 实例5.1：Series序列应用
s=pd.Series([1,2,3],name='name')
def adder(x, y):
return np.add(x, y)
s.apply(np.log) # 库函数
result1=s.apply(lambda x: x + 2) # lambda函数
result1=s.apply(adder, args=(2,)) # 自定义函数
0 3
1 4
2 5
Name: name, dtype: int64
# 实例5.2：
def sum(x, **kwargs):
for month in kwargs:
x += kwargs[month]
return x
s.apply(sum, a1=1, a2=2, a3=3) # 多参数
0 7
1 8
2 9
Name: name, dtype: int64