Pandas-Funktionenanwendung

Beispiel für Pandas-Reindexing-Operation

Um Ihre eigenen oder Funktionen aus anderen Bibliotheken auf Pandas-Objekte anzuwenden, sollten Sie drei wichtige Methoden verstehen. Wie nachstehend beschrieben. Die angemessene Methode hängt davon ab, ob Ihre Funktion den gesamten Datensatz, Zeilenoperationen, Spaltenoperationen oder Elementoperationen durchführen soll.

Tabellenfunktionen Anwendung: pipe() Zeilen- oder Spaltenfunktionen Anwendung: apply() Elementebene Funktionsanwendung: applymap()

Tabellenfunktionen Anwendung

Durch Übergeben einer Funktion und der erforderlichen Anzahl von Parametern als Pipe-Parameter kann auf eine benutzerdefinierte Operation an DataFrames zugegriffen werden

Adder-Funktion

Zum Beispiel, den2Werte werden in den DataFrame hinzugefügt. Die Funktion des Adders addiert zwei numerische Werte und gibt die Summe zurück.

　　def adder(ele1,ele2)
　　　　return ele1+ele2

Wir verwenden benutzerdefinierte Funktionen, um mit DataFrames umzugehen.

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

Lassen Sie uns das vollständige Programm betrachten:

　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))

Laufender Ergebnis:

　　　　　　　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

Anwendung von Zeilen- oder Spaltenfunktionen

Mit dem apply() Method kann eine beliebige Funktion entlang der Achse eines DataFrames oder Panels angewendet werden. Diese Methode ist wie beschreibende Statistikmethoden, die optionalen axis Parameter verwenden. Standardmäßig wird diese Operation zeilenweise ausgeführt und jede Spalte wird als Arrayähnliche Form behandelt.

Beispiel 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))

Laufender Ergebnis:

　col1　-0.288022
　col2　1.044839
　col3　-0.187009
　dtype: float64

Durch Übermittlung des axis-Parameters kann die Operation zeilenweise ausgeführt werden.

Beispiel 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))

Laufender Ergebnis:

　col1　0.034093
　col2　-0.152672
　col3　-0.229728
　dtype: float64

Beispiel 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))

Laufender Ergebnis:

　col1　-0.167413
　col2　-0.370495
　col3　-0.707631
　dtype: float64

Elementebene Funktionsanwendung

Nicht alle Funktionen können vectorisiert werden (NumPy-Arrays geben weder ein weiteres Array zurück noch irgendeinen Wert zurück), das applymap() -Verfahren auf DataFrames und das map() -Verfahren auf Series akzeptieren ebenfalls jede Python-Funktion, die einen einzelnen Wert annimmt und einen einzelnen Wert zurückgibt.

Beispiel 1

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

Laufender Ergebnis:

　col1　0.480742
　col2　0.454185
　col3　0.266563
　dtype: float64

Beispiel 2

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

Laufender Ergebnis:

　col1　0.395263
　col2　0.204418
　col3　-0.795188
　dtype: float64