这5个pandas调用函数的方法，让我的数据处理更加灵活自如（pandas的基本操作）

这5个pandas调用函数的方法，让我的数据处理更加灵活自如（pandas的基本操作）

今天我们就来介绍​​Pandas​​常用的几种调用函数的方法。

目录：

0. 数据预览1. apply2. applymap3. map4. agg5. pipe

​

0. 数据预览

这里的数据是虚构的语数外成绩，大家在演示的时候拷贝一下就好啦。

import pandas as pddf = pd.read_clipboard()df

|

1. apply

​​apply​​​可以对​​DataFrame​​类型数据按照列或行进行函数处理，默认情况下是按照列（单独对​​Series​​亦可）。

在案例数据中，比如我们想将性别列中的​​1​​​替换为男，​​0​​替换为女，那么可以这样搞定。

先自定义一个函数，这个函数有一个参数 s（Series类型数据）。

def getSex(s): if s==1: return '男' elif s==0: return '女'

上述函数还有更简洁写法，这里方便理解采用最直观的写法哈。

然后，我们直接使用​​apply​​去调用这个函数即可。

df['性别'].apply(getSex)

可以看到输出结果如下：

0 男1 男2 男3 女4 女5 女6 男7 男8 女Name: 性别, dtype: object

当然，我们也可以直接用调用匿名函数​​lambda​​的形式：

df['性别'].apply( lambda s: '男' if s==1 else '女' )

可以看到结果是一样的：

0 男1 男2 男3 女4 女5 女6 男7 男8 女Name: 性别, dtype: object

以上是单纯根据一列的值条件进行的数据处理，我们也可以根据多列组合条件（可以了解为按行）进行处理，需要注意这种情况下需要指定参数​​axis=1​​，具体看下面案例。

案例中，我们认为总分高于200且数学分数高于90为高分

# 多列条件组合df['level'] = df.apply(lambda df: '高分' if df['总分']>=200 and df['数学']>=90 else '其他', axis=1)df

同样，上述用​​apply​​调用的函数都是自定义的，实际上我们也可以调用内置或者​​pandas​​​/​​numpy​​等自带的函数。

比如，求语数外和总分最高分：

# python内置的函数df[['语文','数学','英语','总分']].apply(max)

语文 96数学 95英语 94总分 278dtype: int64

求语数外和总分平均分：

# numpy自带的函数import numpy as npdf[['语文','数学','英语','总分']].apply(np.mean)

语文 69.777778数学 64.444444英语 71.444444总分 205.666667dtype: float64

2. applymap

​​applymap​​则是对每个元素的函数处理，变量是每个元素值。

比如对语数外三科超过​​90​​分认为是科目高分

df[['语文','数学','英语']].applymap(lambda x:'高分' if x>=90 else '其他')

3. map

​​map​​​则是根据输入对应关系映射值返回最终数据，作用于​​某一列​​。传入的值可以是字典，键值为原始值，值为需要替换的值。也可以传入一个函数或者字符格式化表达式等等。

以上面性别列中的​​1​​​替换为男，​​0​​​替换为女为例，还可以通过​​map​​来实现

df['性别'].map({1:'男', 0:'女'})

输出结果也是一致的：

0 男1 男2 男3 女4 女5 女6 男7 男8 女Name: 性别, dtype: object

比如总分列想变成格式化字符：

df['总分'].map('总分：{}分'.format)

0 总分：278分1 总分：266分2 总分：263分3 总分：239分4 总分：162分5 总分：157分6 总分：184分7 总分：139分8 总分：163分Name: 总分, dtype: object

4. agg

​​agg​​一般用于聚合，在分组或透视操作中常见到，用法是和​​apply​​比较接近。

比如，求语数外和总分的最高分、最低分和平均分

df[['语文','数学','英语','总分']].agg(['max','min','mean'])

我们还可以对不同的列进行不同的运算（用字典形式指定）

# 语文最高分、数学最低分和英文最高最低分df.agg({'语文':['max'],'数学':'min','英语':['max','min']})

当然也支持自定义函数的调用

5. pipe

以上四个调用函数的方法，我们发现被调用的函数的参数就是 ​​DataFrame​​​或​​Serise​​数据，如果我们被调用的函数还需要别的参数，那么该如何做呢？

所以，​​pipe​​就出现了。

pipe又称管道方法，可以将我们的处理分析过程标准化、流程化。它在调用函数的时候可以带被调用函数的其他参数，这样就方便自定义函数的功能扩展了。

比如，我们需要获取总分大于n，性别为sex的同学的数据，其中n和sex是可变参数，那么用​​apply​​​等就不太好处理。这个时候，就可以用到​​pipe​​方法来搞事了！

我们先定义一个函数

# 定义一个函数，总分大于等于n，性别为sex的同学数据（sex为2表示不分性别）def total(df, n, sex): dfT = df.copy() if sex == 2: return dfT[(dfT['总分']>=n)] else: return dfT[(dfT['总分']>=n) & (dfT['性别']==sex)]

如果我们要找到总分大于200，不分性别的学生成绩，可以这样：

df.pipe(total,200,2)

再找总分大于150，性别为男生（1）的学生成绩，可以这样：

df.pipe(total,150,1)

再找总分大于200，性别为女生（0）的学生成绩，可以这样：

df.pipe(total,200,0)

搞定！

以上就是本次我们介绍的5种调用函数的方法，这些操作技巧可以让我们在处理数据时更加灵活自如

总结

人生不可重来，但是Python可以重试！

我已经将​​retrying​​ 这个装饰函数的使用方法毫无保留地奉献给各位看官了，赶快用起来吧！

技术交流

欢迎转载、收藏、有所收获点赞支持一下！

目前开通了技术交流群，群友已超过2000人，添加时最好的备注方式为：来源+兴趣方向，方便找到志同道合的朋友

版权声明：本文内容由网络用户投稿，版权归原作者所有，本站不拥有其著作权，亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容，请联系我们jiasou666@gmail.com 处理，核实后本网站将在24小时内删除侵权内容。