其他分享
首页 > 其他分享> > pandas之使用自定义函数

pandas之使用自定义函数

作者:互联网

如果想要应用自定义的函数,或者把其他库中的函数应用到 Pandas 对象中,有以下三种方法:


如何从上述函数中选择适合的函数,这取决于函数的操作对象。下面介绍了三种方法的使用。

操作整个数据表

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。下面示例,实现了数据表中的元素值依次加 3。

首先自定义一个函数,计算两个元素的加和,如下所示:

  1. def adder(ele1,ele2):
  2. return ele1+ele2

然后使用自定义的函数对 DataFrame 进行操作:

  1. df = pd.DataFrame(np.random.randn(4,3,columns=['c1','c2','c3'])
  2. #传入自定义函数以及要相加的数值3
  3. df.pipe(adder,3)

完整的程序,如下所示:

  1. import pandas as pd
  2. import numpy as np
  3. #自定义函数
  4. def adder(ele1,ele2):
  5. return ele1+ele2
  6. #操作DataFrame
  7. df = pd.DataFrame(np.random.randn(4,3),columns=['c1','c2','c3'])
  8. #相加前
  9. print(df)
  10. #相加后
  11. print(df.pipe(adder,3))

输出结果:

         c1        c2        c3
0  1.989075  0.932426 -0.523568
1 -1.736317  0.703575 -0.819940
2  0.657279 -0.872929  0.040841
3  0.441424  1.170723 -0.629618
         c1        c2        c3
0  4.989075  3.932426  2.476432
1  1.263683  3.703575  2.180060
2  3.657279  2.127071  3.040841
3  3.441424  4.170723  2.370382

操作行或列

如果要操作  DataFrame 的某一行或者某一列,可以使用 apply() 方法,该方法与描述性统计方法类似,都有可选参数 axis,并且默认按列操作。示例如下:

  1. import pandas as pd
  2. import numpy as np
  3. df = pd.DataFrame(np.random.randn(5,3),columns=['col1','col2','col3'])
  4. df.apply(np.mean)
  5. #默认按列操作,计算每一列均值
  6. print(df.apply(np.mean))

输出结果:

col1    0.277214
col2    0.716651
col3   -0.250487
dtype: float64

传递轴参 axis=1, 表示逐行进行操作,示例如下:

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

输出结果:

       col1      col2      col3
0  0.210370 -0.662840 -0.281454
1 -0.875735  0.531935 -0.283924
2  1.036009 -0.958771 -1.048961
3 -1.266042 -0.257666  0.403416
4  0.496041 -1.071545  1.432817

0   -0.244641
1   -0.209242
2   -0.323908
3   -0.373431
4    0.285771
dtype: float64

求每一列中,最大值与最小值之差。示例如下:

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

输出结果:

col1    3.538252
col2    2.904771
col3    2.650892
dtype: float64

操作单一元素

DataFrame 数据表结构的 applymap() 和 Series 系列结构的 map() 类似,它们都可以接受一个 Python 函数,并返回相应的值。

示例如下:

  1. import pandas as pd
  2. import numpy as np
  3. df = pd.DataFrame(np.random.randn(5,3),columns=['col1','col2','col3'])
  4. #自定义函数lambda函数
  5. print(df['col1'].map(lambda x:x*100))

输出结果:

0    -18.171706
1      1.582861
2     22.398156
3     32.395690
4   -133.143543
Name: col1, dtype: float64

下面示例使用了 applymap() 函数,如下所示:

  1. import pandas as pd
  2. import numpy as np
  3. #自定义函数
  4. df = pd.DataFrame(np.random.randn(5,3),columns=['col1','col2','col3'])
  5. print(df.applymap(lambda x:x*10))
  6. print(df.apply(np.mean))

输出结果:

        col1       col2       col3
0  -1.055926   7.952690  15.225932
1   9.362457 -12.230732   7.663450
2   2.910049  -2.782934   2.073905
3 -12.008132  -1.444989   5.988144
4   2.877850   6.563894   8.192513
#求均值:
col1    0.041726
col2   -0.038841
col3    0.782879
dtype: float64

标签:函数,自定义,df,DataFrame,col1,pd,np,import,pandas
来源: https://www.cnblogs.com/catfeel/p/15645156.html