在日常的数据处理中,经常会对一个DataFrame
进行逐行、逐列和逐元素的操作,对应这些操作,Pandas
中的map、apply
和applymap
可以解决绝大部分这样的数据处理需求。下面就以案例附带图解的方式,为大家详细介绍一下这三个方法的实现原理。 参考学习资料: https://mp.weixin.qq.com/s/8gviTRZsoIPmMng66eKeYg
准备示例数据
本文演示的数据集是模拟生成的,想练手的可以按下方的代码生成。
import numpy as np
import pandas as pd
boolean=[True,False]
gender=["男","女"]
color=["white","black","yellow"]
data=pd.DataFrame({
"height":np.random.randint(150,190,100),
"weight":np.random.randint(40,90,100),
"smoker":[boolean[x] for x in np.random.randint(0,2,100)],
"gender":[gender[x] for x in np.random.randint(0,2,100)],
"age":np.random.randint(15,90,100),
"race":[color[x] for x in np.random.randint(0,len(color),100) ]
}
)
data
第一板斧:map
如果需要把数据集中gender列的男替换为1,女替换为0,怎么做呢?绝对不是用for循环实现!!!使用Series.map()可以很容易做到,最少仅需一行代码。
共3种方式:
#①使用字典进行映射
data["gender"] = data["gender"].map({"男":1, "女":0})
#②使用函数
def gender_map(x):
gender = 1 if x == "男" else 0
return gender
#注意这里传入的是函数名,不带括号
data["gender"] = data["gender"].map(gender_map)
data
这里map
属性包含有一概念叫映射,与R包的dplyr
中数据框长变扁扁变长过程的gather-spread
的键值匹配
功能类似。不论是利用字典还是函数进行映射,map方法都是把对应的数据逐个当作参数传入到字典或函数中,得到映射后的值。
第二板斧:apply
同时Series
对象还有apply
方法,apply
方法的作用原理和map
方法类似,区别在于apply
能够传入功能更为复杂的函数。怎么理解呢?一起看看下面的例子。
假设在数据统计的过程中,年龄age列有较大误差,需要对其进行调整(加上或减去一个值),由于这个加上或减去的值未知,故在定义函数时,需要加多一个参数bias,此时用map方法是操作不了的(传入map的函数只能接收一个参数),apply方法则可以解决这个问题。
在R中同样也有apply()
函数,作用类似,对数据框或矩阵进行计算非常重要,中间的参数2为行,1为列,在Python中下标从0开始,则1位行,0位列。
def apply_age(x,bias):
return x+bias
#以元组的方式传入额外的参数
data["age"] = data["age"].apply(apply_age,args=(-3,))
data
可以看到age列都减了3,当然,这里只是简单举了个例子,当需要进行复杂处理时,更能体现apply
的作用。
总而言之,对于Series
而言,map
可以解决绝大多数的数据处理需求,但如果需要使用较为复杂的函数,则需要用到apply
方法。
对DataFrame
而言,apply
是非常重要的数据处理方法,它可以接收各种各样的函数(Python内置的或自定义的),处理方式很灵活,下面通过几个例子来看看apply
的具体使用及其原理。
在进行具体介绍之前,首先需要介绍一下DataFrame
中axis
的概念,在DataFrame
对象的大多数方法中,都会有axis
这个参数,它控制了你指定的操作是沿着0轴还是1轴进行。axis=0
代表操作对列columns
进行,axis=1
代表操作对行row
进行,前面也提到过和R里面的1,2代表行列的意思差不多。
假设现在需要对data中的数值列分别进行取对数和求和的操作,这时可以用apply进行相应的操作,因为是对列进行操作,所以需要指定axis=0,使用下面的两行代码可以很轻松地解决我们的问题。
# 沿着0轴求和
data[["height","weight","age"]].apply(np.sum, axis=0)
# 沿着0轴取对数
data[["height","weight","age"]].apply(np.log, axis=0)
当沿着轴0(axis=0)进行操作时,会将各列(columns)默认以Series的形式作为参数,传入到你指定的操作函数中,操作后合并并返回相应的结果。
那如果在实际使用中需要按行进行操作(axis=1),那整个过程又是怎么实现的呢?
在数据集中,有身高和体重的数据,所以根据这个,我们可以计算每个人的BMI指数(体检时常用的指标,衡量人体肥胖程度和是否健康的重要标准),计算公式是:体重指数BMI=体重/身高的平方(国际单位kg/㎡),因为需要对每个样本进行操作,这里使用axis=1的apply进行操作,代码如下:
def BMI(series):
weight = series["weight"]
height = series["height"]/100
BMI = weight/height**2
return BMI
data["BMI"] = data.apply(BMI,axis=1)
data
当apply
设置了axis=1
对行进行操作时,会默认将每一行数据以Series
的形式(Series的索引为列名)传入指定函数,返回相应的结果。
总结一下对DataFrame
的apply
操作:
当
axis=0
时,对每列columns执行指定函数;当axis=1
时,对每行row执行指定函数。无论
axis=0
还是axis=1
,其传入指定函数的默认形式均为Series
,可以通过设置raw=True
传入numpy
数组。对每个
Series
执行结果后,会将结果整合在一起返回(若想有返回值,定义函数时需要return
相应的值)当然,
DataFrame
的apply
和Series
的apply
一样,也能接收更复杂的函数,如传入参数等,实现原理是一样的,具体用法详见官方文档。
第三板斧:applymap
applymap
的用法比较简单,会对DataFrame
中的每个单元格执行指定函数的操作,虽然用途不如apply
广泛,但在某些场合下还是比较有用的,如下面这个例子。
为了演示的方便,新生成一个DataFrame:
df = pd.DataFrame(
{
"A":np.random.randn(5),
"B":np.random.randn(5),
"C":np.random.randn(5),
"D":np.random.randn(5),
"E":np.random.randn(5),
}
)
df
现在想将
DataFrame
中所有的值保留两位小数显示,使用applymap
可以很快达到你想要的目的,代码和图解如下:
df.applymap(lambda x:"%.2f" % x)
还是要赞一下,jupyter notebook 真好用。