Python Pandas DataFrame apply方法用法及代码示例

例子

在列上应用函数

考虑以下 DataFrame ：

df = pd.DataFrame({"A":[2,3], "B":[4,5]})
df



   A  B
0  2  4
1  3  5

要按列应用 np.sum 函数：

df.apply(np.sum)   # axis=0



A  5
B  9
dtype: int64

在行上应用函数

考虑与之前相同的DataFrame：

df = pd.DataFrame({"A":[2,3], "B":[4,5]})
df



   A  B
0  2  4
1  3  5

要按行应用 np.sum 函数，请设置 axis=1 ：

df.apply(np.sum, axis=1)   # Returns a Series



0  6
1  8
dtype: int64

应用内置捆绑器

考虑与之前相同的DataFrame：

df = pd.DataFrame({"A":[2,3], "B":[4,5]})
df



   A  B
0  2  4
1  3  5

您可以使用内置函数(例如 tuple 、 list 甚至 Series )捆绑值：

df.apply(tuple)



A    (2, 3)
B    (4, 5)
dtype: object

应用自定义函数

考虑与之前相同的DataFrame：

df = pd.DataFrame({"A":[2,3], "B":[4,5]})
df



   A  B
0  2  4
1  3  5

应用自定义函数：

def foo(col):
 return 2 * col
df.apply(foo)



   A  B
0  4  8
1  6  10

我们的函数 foo 接受 Series 类型的列 ( axis=0 ) 作为参数，并将转换后的列作为 Series 返回。

传入关键字参数

要将关键字参数传递给 func ：

def foo(col, x):
 return x * col
df.apply(foo, x=2)



   A  B
0  4  8
1  6  10

解析list-like返回值的不同方式

考虑以下 DataFrame ：

df = pd.DataFrame({"A":[4,5], "B":[6,7]}, index=["a","b"])
df



   A  B
a  4  6
b  5  7

当函数的返回类型为 list-like 时，参数 result_type 起作用。

返回类型 无

当 return_type 未设置时，默认行为是将 list-like 返回值放在 Series 中：

df.apply(lambda x: [1,2,3], axis=1)   # Returns a Series



a [1, 2, 3]
b [1, 2, 3]
dtype: object

请注意，lambda x: [1,2,3] 相当于以下内容：

def foo(x):         # The function name isn't important here
 return [1,2,3]

返回类型 展开

当 return_type="expand" 时，list-like 的值将被分成列，从而产生 DataFrame ：

df.apply(lambda x: [1,2,3], axis=1, result_type="expand")    # Returns a DataFrame



   0  1  2
a  1  2  3
b  1  2  3

请注意，我们不再拥有原始列名称 A 和 B 。

返回类型广播

当 return_type="broadcast" 时，list-like 值将被分成列，但与 "expand" 不同，列名称将被保留：

df.apply(lambda x: [1,2], axis=1, result_type="broadcast")     # Returns a DataFrame



   A  B
a  1  2
b  1  2

为此，list-like 的长度必须等于源 DataFrame 中的列数。这意味着在这种情况下返回 [1,2,3] 而不是 [1,2] 将导致错误。