1. WIKI教程
2. 学习python_pandas
3. 功能应用(Function Application)

功能应用(Function Application)

要将您自己或其他库的函数应用于Pandas对象，您应该了解三个重要方法。 这些方法已在下面讨论。 使用的适当方法取决于您的函数是期望在整个DataFrame，行或列方式还是元素方式上运行。

• 表明功能应用:管道（）
• 行或列智能函数应用程序:apply（）
• 元素智能函数应用程序:applymap（）

逐表函数应用

可以通过将函数和适当数量的参数作为管道参数传递来执行自定义操作。 因此，对整个DataFrame执行操作。

例如，为DataFrame中的所有元素添加值2。 然后，

加法器功能

加法器函数添加两个数值作为参数并返回总和。

def adder(ele1,ele2):
return ele1+ele2

我们现在将使用自定义函数对DataFrame进行操作。

df = pd.DataFrame(np.random.randn(5,3),columns=['col1','col2','col3'])
df.pipe(adder,2)

让我们看看完整的节目 -

import pandas as pd
import numpy as np
def adder(ele1,ele2):
   return ele1+ele2
df = pd.DataFrame(np.random.randn(5,3),columns=['col1','col2','col3'])
df.pipe(adder,2)
print df.apply(np.mean)

其output如下 -

        col1       col2       col3
0   2.176704   2.219691   1.509360
1   2.222378   2.422167   3.953921
2   2.241096   1.135424   2.696432
3   2.355763   0.376672   1.182570
4   2.308743   2.714767   2.130288

行或列智能函数应用程序

可以使用apply()方法沿DataFrame或Panel的轴应用任意函数，该方法与描述性统计方法一样，采用可选的轴参数。 默认情况下，操作按列方式执行，将每列作为类似数组。

例子1 (Example 1)

import pandas as pd
import numpy as np
df = pd.DataFrame(np.random.randn(5,3),columns=['col1','col2','col3'])
df.apply(np.mean)
print df.apply(np.mean)

其output如下 -

      col1       col2        col3                                                      
0   0.343569  -1.013287    1.131245 
1   0.508922  -0.949778   -1.600569 
2  -1.182331  -0.420703   -1.725400
3   0.860265   2.069038   -0.537648
4   0.876758  -0.238051    0.473992

通过传递axis参数，可以逐行执行操作。

例子2 (Example 2)

import pandas as pd
import numpy as np
df = pd.DataFrame(np.random.randn(5,3),columns=['col1','col2','col3'])
df.apply(np.mean,axis=1)
print df.apply(np.mean)

其output如下 -

     col1         col2         col3
0  0.543255    -1.613418    -0.500731   
1  0.976543    -1.135835    -0.719153   
2  0.184282    -0.721153    -2.876206    
3  0.447738     0.268062    -1.937888
4 -0.677673     0.177455     1.397360  

例子3 (Example 3)

import pandas as pd
import numpy as np
df = pd.DataFrame(np.random.randn(5,3),columns=['col1','col2','col3'])
df.apply(lambda x: x.max() - x.min())
print df.apply(np.mean)

其output如下 -

       col1        col2      col3
0   -0.585206   -0.104938   1.424115 
1   -0.326036   -1.444798   0.196849 
2   -2.033478    1.682253   1.223152  
3   -0.107015    0.499846   0.084127
4   -1.046964   -1.935617  -0.009919

元素智能函数应用

并非所有函数都可以进行矢量化（NumPy数组既不返回另一个数组也不是任何值）， applymap()上的方法applymap()和analogously map()系列上的analogously map()接受任何采用单个值并返回单个值的Python函数。

例子1 (Example 1)

import pandas as pd
import numpy as np
df = pd.DataFrame(np.random.randn(5,3),columns=['col1','col2','col3'])
# My custom function
df['col1'].map(lambda x:x*100)
print df.apply(np.mean)

其output如下 -

       col1      col2       col3    
0    0.629348  0.088467  -1.790702 
1   -0.592595  0.184113  -1.524998
2   -0.419298  0.262369  -0.178849
3   -1.036930  1.103169   0.941882 
4   -0.573333 -0.031056   0.315590

例子2 (Example 2)

import pandas as pd
import numpy as np
# My custom function
df = pd.DataFrame(np.random.randn(5,3),columns=['col1','col2','col3'])
df.applymap(lambda x:x*100)
print df.apply(np.mean)

其output如下 -

output is as follows:
         col1         col2         col3
0   17.670426    21.969052    -49.064031
1   22.237846    42.216693     195.392124
2   24.109576   -86.457646     69.643171
3   35.576312   -162.332803   -81.743023
4   30.874333    71.476717     13.028751