1.基本信息
? Pandas 的 apply() 方法是用來調(diào)用一個(gè)函數(shù)(Python method)，讓此函數(shù)對(duì)數(shù)據(jù)對(duì)象進(jìn)行批量處理。Pandas 的很多對(duì)象都可以使用 apply() 來調(diào)用函數(shù)，如 Dataframe、Series、分組對(duì)象、各種時(shí)間序列等。
2.語(yǔ)法結(jié)構(gòu)
? apply() 使用時(shí)，通常放入一個(gè) lambda 函數(shù)表達(dá)式、或一個(gè)函數(shù)作為操作運(yùn)算，官方上給出DataFrame的 apply() 用法：
DataFrame.apply(self, func, axis=0, raw=False, result_type=None, args=(), **kwargs)
參數(shù)：
func：函數(shù)或 lambda 表達(dá)式,應(yīng)用于每行或者每列
axis：{0 or ‘index’, 1 or ‘columns’}, 默認(rèn)為0
- 0 or ‘index’: 表示函數(shù)處理的是每一列
- 1 or ‘columns’: 表示函數(shù)處理的是每一行
raw：bool 類型，默認(rèn)為 False;
- False ，表示把每一行或列作為 Series 傳入函數(shù)中；
- True，表示接受的是 ndarray 數(shù)據(jù)類型；
result_type：{‘expand’, ‘reduce’, ‘broadcast’, None}, default None
These only act when
axis=1(columns):
- ‘expand’ : 列表式的結(jié)果將被轉(zhuǎn)化為列。
- ‘reduce’ : 如果可能的話，返回一個(gè) Series，而不是展開類似列表的結(jié)果。這與
expand相反。- ‘broadcast’ : 結(jié)果將被廣播到
DataFrame的原始形狀，原始索引和列將被保留。
args:func 的位置參數(shù)
**kwargs：要作為關(guān)鍵字參數(shù)傳遞給 func 的其他關(guān)鍵字參數(shù)，1.3.0 開始支持返回值：
- Series 或者 DataFrame：沿?cái)?shù)據(jù)的給定軸應(yīng)用 func 的結(jié)果
Objects passed to the function are Series objects whose index is either the DataFrame's index (``axis=0``) or the DataFrame's columns(``axis=1``).
傳遞給函數(shù)的對(duì)象是Series對(duì)象，其索引是DataFrame的索引(axis=0)或DataFrame的列(axis=1)。
By default (``result_type=None``), the final return type is inferred from the return type of the applied function. Otherwise,it depends on the `result_type` argument.
默認(rèn)情況下( result_type=None)，最終的返回類型是從應(yīng)用函數(shù)的返回類型推斷出來的。否則，它取決于' result_type '參數(shù)。
注：DataFrame與Series的區(qū)別與聯(lián)系：
區(qū)別：
- series，只是一個(gè)一維結(jié)構(gòu)，它由index和value組成。
- dataframe，是一個(gè)二維結(jié)構(gòu)，除了擁有index和value之外，還擁有column。
聯(lián)系：
- dataframe由多個(gè)series組成，無論是行還是列，單獨(dú)拆分出來都是一個(gè)series。
3.使用案例
3.1 DataFrame使用apply
官方使用案例
import pandas as pd
import numpy as np
df = pd.DataFrame([[4, 9]] * 3, columns=['A', 'B'])
df
A B
0 4 9
1 4 9
2 4 9
# 使用numpy通用函數(shù) (如 np.sqrt(df)),
df.apply(np.sqrt)
'''
A B
0 2.0 3.0
1 2.0 3.0
2 2.0 3.0
'''
# 使用聚合功能
df.apply(np.sum, axis=0)
'''
A 12
B 27
dtype: int64
'''
df.apply(np.sum, axis=1)
'''
0 13
1 13
2 13
dtype: int64
'''
# 在每行上返回類似列表的內(nèi)容
df.apply(lambda x: [1, 2], axis=1)
'''
0 [1, 2]
1 [1, 2]
2 [1, 2]
dtype: object
'''
# result_type='expand' 將類似列表的結(jié)果擴(kuò)展到數(shù)據(jù)的列
df.apply(lambda x: [1, 2], axis=1, result_type='expand')
'''
0 1
0 1 2
1 1 2
2 1 2
'''
# 在函數(shù)中返回一個(gè)序列，生成的列名將是序列索引。
df.apply(lambda x: pd.Series([1, 2], index=['foo', 'bar']), axis=1)
'''
foo bar
0 1 2
1 1 2
2 1 2
'''
# result_type='broadcast' 將確保函數(shù)返回相同的形狀結(jié)果
# 無論是 list-like 還是 scalar，并沿軸進(jìn)行廣播
# 生成的列名將是原始列名。
df.apply(lambda x: [1, 2], axis=1, result_type='broadcast')
'''
A B
0 1 2
1 1 2
2 1 2
'''
其他案例：
import numpy as np
import pandas as pd
df = pd.DataFrame({'A': [1, 2, 3],
'B': [4, 5, 6],
'C': [7, 8, 9]},
index=['a', 'b', 'c'])
df
A B C
a 1 4 7
b 2 5 8
c 3 6 9
# 對(duì)各列應(yīng)用函數(shù) axis=0
df.apply(lambda x: np.sum(x))
A 6
B 15
C 24
dtype: int64
# 對(duì)各行應(yīng)用函數(shù)
df.apply(lambda x: np.sum(x), axis=1)
a 12
b 15
c 18
dtype: int64
3.2 Series使用apply
官網(wǎng)案例
s = pd.Series([20, 21, 12],index=['London', 'New York', 'Helsinki'])
s
'''
London 20
New York 21
Helsinki 12
dtype: int64
'''
# 定義函數(shù)并將其作為參數(shù)傳遞給 apply，求值平方化。
def square(x):
return x ** 2
s.apply(square)
'''
London 400
New York 441
Helsinki 144
dtype: int64
'''
# 通過將匿名函數(shù)作為參數(shù)傳遞給 apply
s.apply(lambda x: x ** 2)
'''
London 400
New York 441
Helsinki 144
dtype: int64
'''
# 定義一個(gè)需要附加位置參數(shù)的自定義函數(shù)
# 并使用args關(guān)鍵字傳遞這些附加參數(shù)。
def subtract_custom_value(x, custom_value):
return x - custom_value
s.apply(subtract_custom_value, args=(5,))
'''
London 15
New York 16
Helsinki 7
dtype: int64
'''
# 定義一個(gè)接受關(guān)鍵字參數(shù)并將這些參數(shù)傳遞
# 給 apply 的自定義函數(shù)。
def add_custom_values(x, **kwargs):
for month in kwargs:
x += kwargs[month]
return x
s.apply(add_custom_values, june=30, july=20, august=25)
'''
London 95
New York 96
Helsinki 87
dtype: int64
'''
# 使用Numpy庫(kù)中的函數(shù)
s.apply(np.log)
'''
London 2.995732
New York 3.044522
Helsinki 2.484907
dtype: float64
'''
3.3 其他案例
import pandas as pd
# 顯示所有列
pd.set_option('display.max_columns', None)
# 顯示所有行
pd.set_option('display.max_rows', None)
# 設(shè)置value的顯示長(zhǎng)度為100，默認(rèn)為50
pd.set_option('max_colwidth', 100)
# 用來計(jì)算日期差的包
import datetime
def dataInterval(data1, data2):
"""
Args:
:param data1: datetime
:param data2: datetime
:return: delta days
"""
d1 = datetime.datetime.strptime(data1, '%Y-%m-%d')
d2 = datetime.datetime.strptime(data2, '%Y-%m-%d')
delta = d1 - d2
return delta.days
def getInterval(arrLike):
"""
Args:
:param arrLike: DataFrame
:return: delta days
"""
PublishedTime = arrLike['PublishedTime']
ReceivedTime = arrLike['ReceivedTime']
days = dataInterval(PublishedTime.strip(), ReceivedTime.strip())
return days
def getInterval_new(arrLike, before, after):
"""
Args:
:param arrLike: DataFrame
:param before: forward time
:param after: backwar time
:return: delta days
"""
before = arrLike[before]
after = arrLike[after]
days = dataInterval(after.strip(), before.strip())
return days
if __name__ == '__main__':
df = pd.read_excel('./data/NS_info.xls')
print(df.head())
# method 1
df['TimeInterval'] = df.apply(getInterval, axis=1)
print(df.head())
# method 2
df['TimeInterval'] = df.apply(getInterval_new,axis=1,
args=('ReceivedTime', 'PublishedTime'))
# method 3
df['TimeInterval'] = df.apply(getInterval_new,axis=1,
**{'before': 'ReceivedTime', 'after': 'PublishedTime'})
# method 4
df['TimeInterval'] = df.apply(getInterval_new,axis=1, before='ReceivedTime', after='PublishedTime')
4.總結(jié)
1.apply方法都是通過傳入一個(gè)函數(shù)或者lambda表達(dá)式對(duì)數(shù)據(jù)進(jìn)行批量處理
2.apply方法處理的都是一個(gè)Series對(duì)象
參考鏈接：
1.https://blog.csdn.net/missyougoon/article/details/83301712文章來源：http://www.zghlxwxcb.cn/news/detail-437685.html
2.https://blog.csdn.net/qq_19528953/article/details/79348929文章來源地址http://www.zghlxwxcb.cn/news/detail-437685.html
到了這里，關(guān)于pandas之a(chǎn)pply函數(shù)簡(jiǎn)介及用法詳解的文章就介紹完了。如果您還想了解更多內(nèi)容，請(qǐng)?jiān)谟疑辖撬阉鱐OY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！
