Pandas 中 apply 函数怎么用

创作时间:

作者:

@小白创作中心

Pandas 中 apply 函数怎么用

引用

来源

https://docs.pingcode.com/ask/309876.html

Pandas中的apply函数是一个灵活的工具，它允许我们对DataFrame或Series对象中的数据进行批量操作。本文将深入探讨apply函数的用法，包括它如何被用来对数据进行复杂的转换和运算。

Pandas中的apply函数是一个灵活的工具，它允许我们对DataFrame或Series对象中的数据进行批量操作。核心观点包括：对DataFrame的每一列或行应用函数、对Series应用函数。具体来说，如果我们想要对DataFrame中的每一列计算总和，只需简单调用apply函数并传递sum函数作为参数即可。这种方法极大地提升了对数据集进行复杂转换的灵活性和效率。

接下来，我们将深入探讨apply函数的用法，包括它如何被用来对数据进行复杂的转换和运算。

一、基本使用方法

在理解了apply函数的核心用途之后，我们首先介绍它的基本使用方法。apply函数可用于Series和DataFrame对象，但它们的应用方式略有不同。

对Series应用函数

当对Series应用apply函数时，可以传递任何能够接受单个值并返回单个值的函数。这使得apply函数成为执行元素级转换的有力工具。

例如，假设我们有一个包含多个数字的Series，我们想要计算每个数字的平方。

import pandas as pd

series = pd.Series([1, 2, 3, 4, 5])
squared_series = series.apply(lambda x: x**2)
print(squared_series)

在上述代码中，我们通过一个匿名函数（lambda函数）指定了转换的逻辑，即计算平方。apply函数逐个地将Series中的每个元素传递给这个函数，并收集输出结果形成一个新的Series。

对DataFrame应用函数

对于DataFrame，apply函数的使用略微复杂，因为它允许在行或列方向上应用函数。这由axis参数控制，其中axis=0代表按列应用，而axis=1代表按行应用。

以下展示了如何使用apply函数来计算DataFrame中每列的平均值。

import pandas as pd
import numpy as np

df = pd.DataFrame(np.random.rand(4, 3), columns=['A', 'B', 'C'])
column_means = df.apply(np.mean, axis=0)
print(column_means)

在这个例子中，我们利用NumPy的mean函数计算了每一列的平均值。通过设置axis=0，我们告诉apply函数在列方向上操作。

二、复杂的转换和运算

除了基本的用法，apply函数同样可以执行更复杂的数据转换和运算。这部分功能尤其在数据清洗和预处理阶段显得极为重要。

自定义复杂函数

Pandas的apply函数使得对数据集应用自定义复杂函数成为可能。无论是数据标准化、特征提取，还是更高级的数据转换，apply函数都能够胜任。

假设我们需要根据DataFrame中的某些列生成一个新的“得分”列。这个得分是通过一个复杂的数学公式计算得出，涉及到多个列的数据。

def calculate_score(row):
    # 假设得分的计算逻辑如下
    score = (row['A'] + row['B']) * row['C']
    return score

df['Score'] = df.apply(calculate_score, axis=1)
print(df)

通过apply函数并设置axis=1，我们可以将自定义的calculate_score函数应用于DataFrame的每一行，从而生成一个新的“得分”列。

处理文本数据

在处理包含文本数据的DataFrame时，apply函数同样显示出其强大的功能。例如，我们可以快速将所有文本数据转换为小写，或者进行复杂的文本分析和处理。

df = pd.DataFrame({'Text': ['Pandas is powerful', 'Python is great', 'Learning is fun']})
df['Lowercase Text'] = df['Text'].apply(lambda x: x.lower())
print(df)

在这个简单的例子中，我们通过apply函数将所有文本转换为小写格式。当然，实际应用中的文本处理可能会更加复杂，如分词、情感分析等，但apply函数都能够提供强有力的支持。