map,apply,applymap
**
python
apply:应用在DataFrame的行或列中;
applymap:应用在DataFrame的每个元素中;
map:应用在单独一列(Series)的每个元素中。
**
apply()方法
前面也说了apply方法是一般性的"拆分-应用-合并"方法。 apply()将一个函数作用于DataFrame中的每个行或者列 它既可以得到一个经过广播的标量值,也可以得到一个相同大小的结果数组。我们先来看下函数形式:
python
df.apply(func, axis=0, raw=False, result_type=None, args=(), **kwds)
func : 函数应用于每一列或每一行
axis: 0或"索引":将函数应用于每一列。 1或"列":将函数应用于每一行。
python
df = pd.DataFrame([[4, 9]] * 3, columns=['A', 'B'])
# 1或"列":将函数应用于每一行。
df.apply(np.sum, axis=1)#获取每行的总和
可以设置一个def方法,用其对进行运算
python
def cal_result(df, x, y):
df['C'] = (df['A'] + df['B']) * x
df['D'] = (df['A'] + df['B']) * y
return df
df.apply(cal_result, x=3, y=8, axis=1)
在这里我们先定义了一个 cal_result 函数,它的作用是计算 A,B 列和的 x 倍和 y 倍添加到 C,D 列中。这里有三种方式可以完成参数的赋值,
第一种方式直接通过关键字参数赋值,指定参数的值;
第二种方式是使用 args 关键字参数传入一个包含参数的元组;
python
df.apply(cal_result, args=(3, 8), axis=1)
第三种方式传入通过 ** 传入包含参数和值的字典
python
df.apply(cal_result, **{'x': 3, 'y': 8}, axis=1)
apply的使用是很灵活的,再举一个例子,配合 loc 方法我们能够在最后一行得到一个总和:
python
df.loc[2] = df.apply(np.sum)
df
applymap()方法
该方法针对DataFrame中的元素进行操作,还是使用这个数据: df.applymap(func)
applymap方法操作的是其中的元素,并且是对整个DataFrame进行了格式化,我们也可以选择行或列中的元素:
df[['A']]
特别注意:
python
df['A'].applymap(lambda x: '%.2f'%x) # 异常
需要注意的是这里必须使用 df[['A']] ,表示这是一个DataFrame,而不是一个Series,如果使用 df['A'] 就会报错。同样从行取元素也要将它先转成DataFrame。还需要注意apply方法和applymap的区别:
apply方法操作的是行或列的运算,而不是元素的运算,比如在这里使用格式化操作就会报错;
applymap方法操作的是元素,因此没有诸如axis这样的参数,它只接受函数传入。
map()方法
如果你对applymap方法搞清楚了,那么map方法就很简单,说白了map方法是应用在Series中的,还是举上面的例子
python
# 注意Series没有applymap方法
df['A'].map(lambda x: '%.2f'%x)