携程企业网站建设的思路,营销型企业网站建设的流程是,字母logo设计生成器,销售网站建设价格1、Pandas 函数应用
Pandas 重建索引操作实例 要将您自己或其他库的函数应用于Pandas对象#xff0c;您应该了解三个重要的方法。方法如下所述。要使用的适当方法取决于您的函数是希望对整个数据帧进行操作#xff0c;还是行操作还是按列操作#xff0c;还是按元素操作。 表…1、Pandas 函数应用
Pandas 重建索引操作实例 要将您自己或其他库的函数应用于Pandas对象您应该了解三个重要的方法。方法如下所述。要使用的适当方法取决于您的函数是希望对整个数据帧进行操作还是行操作还是按列操作还是按元素操作。 表函数应用程序pipe() 行或列函数应用程序apply() 元素级函数应用程序applymap()
1.1、表函数应用程序
可以通过传递函数和适当数量的参数作为管道参数来执行对DataFrame自定义操作
加法器函数 例如将2个值添加到DataFrame中。加法器功能将两个数字值相加并返回总和。 def adder(ele1,ele2):return ele1ele2我们使用自定义函数对DataFrame进行操作.
df pd.DataFrame(np.random.randn(5,3),columns[col1,col2,col3])df.pipe(adder,2)我们看下完整的程序
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))运行结果 col1 col2 col30 2.176704 2.219691 1.5093601 2.222378 2.422167 3.9539212 2.241096 1.135424 2.6964323 2.355763 0.376672 1.1825704 2.308743 2.714767 2.1302881.2、行或列函数应用程序
可以使用apply()方法沿DataFrame或Panel的轴应用任意函数该方法与描述性统计方法一样采用可选的axis参数。默认情况下该操作按列执行将每一列视为类似数组的形式。
实例 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))运行结果
col1 -0.241399
col2 0.141497
col3 -0.102721
dtype: float64通过传递 axis 参数可以逐行执行操作。
实例 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, axis1)
print(df.apply(np.mean))运行结果
col1 -0.361706
col2 0.034588
col3 0.337259
dtype: float64实例 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))运行结果
col1 0.081140
col2 0.772552
col3 0.749451
dtype: float641.3、元素级函数应用程序
并非所有函数都可以向量化NumPy数组既不返回另一个数组也不返回任何值DataFrame上的applymap() 方法和Series上的map() 类似地接受任何采用单个值并返回单个值的Python函数。 实例 1
import pandas as pd
import numpy as np
df pd.DataFrame(np.random.randn(5, 3), columns[col1, col2, col3])
# 自定义函数
df[col1].map(lambda x: x * 100)
print(df.apply(np.mean))运行结果
col1 -0.062886
col2 0.404082
col3 0.026754
dtype: float64实例 2
import pandas as pd
import numpy as np
# 自定义函数
df pd.DataFrame(np.random.randn(5, 3), columns[col1, col2, col3])
df.applymap(lambda x: x * 100)
print(df.apply(np.mean))运行结果
col1 0.022429
col2 0.764061
col3 0.036986
dtype: float64
