- apply()
- map()
- applymap()
- transform()
- agg()
dataframe的apply方法的官方文档
其用法为pandas.Dataframe.apply(self, func, axis=0, raw=False, result_type=None)
agg可以做的,好像apply都可以做,所以apply比agg更加灵活,更一般化,但是调用Python内置函数和pandas函数时,运行速度比agg慢。
不同的是apply还能向用户自定义函数中传递参数,而且支持在同一个dataframe的不同series间进行运算,当应用的不是聚合函数时,就是对每个元素的逐一 *** 作。
from IPython.core.interactiveshell import InteractiveShell InteractiveShell.ast_node_interactivity='all' import pandas as pd import numpy as np df=pd.Dataframe(np.random.randint(90,100,size=(3,3)),columns=list('edg')) df #计算各列数据总和并作为新列添加到末尾 df['Col_sum'] = df.apply(lambda x: x.sum(), axis=1) #计算各行数据总和并作为新行添加到末尾 df.loc['Row_sum'] = df.apply(lambda x: x.sum()) dfmap()
map()是python自带的方法,可以在Dataframe中对具体的某一列使用.map()后缀的方式调用,对整个Dataframe使用会报错,不能使用聚合函数。常用的是数据类型转换,比如int转换为float类型,也可以用map()+lambda编写函数。
from IPython.core.interactiveshell import InteractiveShell InteractiveShell.ast_node_interactivity='all' import pandas as pd import numpy as np df=pd.Dataframe(np.random.randint(90,100,size=(3,3)),columns=list('edg')) df df['e'].map(float) df['d'].map(lambda x:x+3)
输出结果:
applymap先应用apply再对每个Series使用map,可实现逐个元素 *** 作。
apply 让函数作用于列或者行,applymap可以作用于每一个元素,map主要作用于series上的元素。applymap()是pandas里Dataframe的方法,它对Dataframe中的所有元素应用 *** 作,不能使用聚合函数。
##jupyter中打印所有结果的解决办法 from IPython.core.interactiveshell import InteractiveShell InteractiveShell.ast_node_interactivity='all' import pandas as pd import numpy as np df = pd.Dataframe(np.random.rand(4, 3), columns = list('abc')) df #注意使用applymap()可以格式化字符串,使用apply()会报错,可采用函数的方法达到相同的目的。 func = lambda x: f'{x:.2f}%' df.applymap(func)
输出如下:
transform方法可以被groupby、resampler、dataframe、series等对象调用。
groupby的transform方法的官方文档
其用法为pandas.Dataframe.transform(self, func, axis=0, *args, **kwargs)
其特点是,按元素进行 *** 作,所以输入dataframe与输出dataframe的大小完全相同。
本方法同样支持对不同的轴调用不同的函数,以及通过字符串形式调用内置函数。
transform可以实现的 *** 作,apply都可以,但是反之不成立。同agg一样,与内建函数一起使用时,比apply速度快。
在groupby对象中执行函数时,会同时使用元素的信息和所在组的信息。
from IPython.core.interactiveshell import InteractiveShell InteractiveShell.ast_node_interactivity='all' df = pd.Dataframe({'A': range(3), 'B': range(1, 4)}) df df.transform(lambda x: x + 1) #transform使用多个自定义函数 df = pd.Dataframe({'A': range(3), 'B': range(1, 4)}) trans=df.transform([np.sqrt, np.exp]) trans
输出结果:
总结:transform方法与apply很像,但是对使用的函数有一定限制:
它可以产生一个和输入组形状相同的对象,但是它不能修改输入
agg()属于Dataframe、Series对象的方法,可与聚合函数一起使用,例如sum、avg、count等
#对dataframe指定列进行指定的聚合运算 df = pd.Dataframe([[1, 2, 3], [4, 5, 6], [7, 8, 9], [np.nan, np.nan, np.nan]], columns=['A', 'B', 'C']) df.agg({'A' : ['sum', 'min'], 'B' : ['min', 'max']}) #输出: A B max NaN 8.0 min 1.0 2.0 sum 12.0 NaN
欢迎分享,转载请注明来源:内存溢出
评论列表(0条)