06_Pandas中map(),applymap(),apply()函数的使用方法

06_Pandas中map(),applymap(),apply()函数的使用方法

将函数应用于pandas对象(pandas.DataFrame,pandas.Series)时,根据所应用的函数类型以及是否将其应用于元素,行或列,使用的方法会有所不同。

  • 指定pandas对象作为NumPy函数的参数
    • 将Pandas对象指定为函数参数
    • 是否将其应用于元素,行或列取决于函数的类型和参数的设置而有所不同
    • Pandas对象中的一些方法
  • Pandas对象方法的函数应用
    • 元素功能(标量值)
      • 适用于Series的每个元素:map(),apply()
      • 应用于DataFrame的每个元素:applymap()
    • 行和列的功能(一维数组)
      • 应用于DataFrame的每行和每列:apply()

用以下csv文件作为示例进行说明。

a,b,c,d
11,12,13,14
21,22,23,24
31,32,33,34
import pandas as pd
import numpy as np

df = pd.read_csv('./data/06/sample_header.csv')
print(df)
#     a   b   c   d
# 0  11  12  13  14
# 1  21  22  23  24
# 2  31  32  33  34

指定pandas对象作为NumPy函数的参数

可以将Pandas对象指定为NumPy函数的参数。

元素的应用

NumPy的通用函数(ufunc:应用于数组元素的函数)适用于pandas对象的每个元素。

绝对值(fabs()),平方根(sqrt()),log(log())等。

print(np.sqrt(df))
#           a         b         c         d
# 0  3.316625  3.464102  3.605551  3.741657
# 1  4.582576  4.690416  4.795832  4.898979
# 2  5.567764  5.656854  5.744563  5.830952

行/列的应用

如果将pandas对象指定为从NumPy数组的所有元素计算值的函数的参数,则默认情况下它将应用于pandas对象的每列。如果参数轴= 1,则将其应用于每行。

最大值(amax()),最小值(amin()),平均值(mean())等。

print(np.amax(df))
# a    31
# b    32
# c    33
# d    34
# dtype: int64

print(np.mean(df, axis=1))
# 0    12.5
# 1    22.5
# 2    32.5
# dtype: float64

pandas.DataFrame,pandas.Series方法

最大值,最小值,平均值,方差等也被准备为Pandas对象的方法,因此也可以直接使用它们。

同样,在这种情况下,默认情况下也会将其应用于每一列,并且如果参数axis = 1,则会将其应用于每一行。

print(df.max())
# a    31
# b    32
# c    33
# d    34
# dtype: int64

print(df.max(axis=1))
# 0    14
# 1    24
# 2    34
# dtype: int64

Pandas对象方法的函数应用

可以使用pandas对象方法将函数应用于元素,行和列。您可以应用Python内置函数或您定义的函数。

  • 应用于Series的每个元素:map(),apply()
  • 应用于DataFrame的每个元素:applymap()
  • 应用于DataFrame的每行和每列:apply()
  • 应用于DataFrame的特定行/列元素

以上方法都返回一个新的已处理的对象,而原始对象则保持不变。没有像dropna()或fillna()那样的参数,因此,如果想更改原始对象本身时,

df = df.applymap(function)

如上,用原始对象替换新对象并覆盖它。

适用于Series的每个元素:map(),apply()

将Python内置函数,匿名函数(lambda)或def定义的函数传递给map()或apply()的参数。

s = df['a']
print(s)
# 0    11
# 1    21
# 2    31
# Name: a, dtype: int64

f_brackets = lambda x: '[{}]'.format(x)
print(s.map(f_brackets))
# 0    [11]
# 1    [21]
# 2    [31]
# Name: a, dtype: object

def f_str(x):
    return str(x).replace('1', 'One').replace('2', 'Two').replace('3', 'Three').replace('4', 'Four')

print(s.map(f_str))
# 0      OneOne
# 1      TwoOne
# 2    ThreeOne
# Name: a, dtype: object

对于map(),如果将字典dict指定为参数,它将替换为元素。

应用于DataFrame的每个元素:applymap()

将Python的内置函数,匿名函数(lambda)或def定义的函数传递为applymap()的参数。

f_oddeven = lambda x: 'odd' if x % 2 == 1 else 'even'
print(df.applymap(f_oddeven))
#      a     b    c     d
# 0  odd  even  odd  even
# 1  odd  even  odd  even
# 2  odd  even  odd  even

应用于DataFrame的每行和每列:apply()

将适用于一维数组的函数传递给apply()的参数。默认情况下,它应用于每列,如果axis = 1,则应用于每行。

f_maxmin = lambda x: max(x) - min(x)
print(df.apply(f_maxmin))
# a    20
# b    20
# c    20
# d    20
# dtype: int64

print(df.apply(f_maxmin, axis=1))
# 0    3
# 1    3
# 2    3
# dtype: int64

应用于DataFrame的特定行/列元素

由于没有方法仅将功能应用于DataFrame的特定行/列元素,可执行以下方法。

  • 选择行/列并应用带有map()或apply()的功能
  • 覆盖原始行/列
df['b'] = df['b'].map(f_str)
print(df)
#     a         b   c   d
# 0  11    OneTwo  13  14
# 1  21    TwoTwo  23  24
# 2  31  ThreeTwo  33  34

df.iloc[2] = df.iloc[2].map(f_str)
print(df)
#           a         b           c          d
# 0        11    OneTwo          13         14
# 1        21    TwoTwo          23         24
# 2  ThreeOne  ThreeTwo  ThreeThree  ThreeFour

你可能感兴趣的:(Pandas,python,机器学习)