0. 數(shù)據(jù)預(yù)覽

這里的數(shù)據(jù)是虛構(gòu)的語(yǔ)數(shù)外成績(jī)，大家在演示的時(shí)候拷貝一下就好啦。

import pandas as pd
df = pd.read_clipboard()
df

1. apply

apply可以對(duì)DataFrame類(lèi)型數(shù)據(jù)按照列或行進(jìn)行函數(shù)處理，默認(rèn)情況下是按照列（單獨(dú)對(duì)Series亦可）。

在案例數(shù)據(jù)中，比如我們想將性別列中的1替換為男，0替換為女，那么可以這樣搞定。

先自定義一個(gè)函數(shù)，這個(gè)函數(shù)有一個(gè)參數(shù) s（Series類(lèi)型數(shù)據(jù)）。

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

上述函數(shù)還有更簡(jiǎn)潔寫(xiě)法，這里方便理解采用最直觀的寫(xiě)法哈。

然后，我們直接使用apply去調(diào)用這個(gè)函數(shù)即可。

df['性別'].apply(getSex)

可以看到輸出結(jié)果如下：

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

當(dāng)然，我們也可以直接用調(diào)用匿名函數(shù)lambda的形式：

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

可以看到結(jié)果是一樣的：

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

以上是單純根據(jù)一列的值條件進(jìn)行的數(shù)據(jù)處理，我們也可以根據(jù)多列組合條件（可以了解為按行）進(jìn)行處理，需要注意這種情況下需要指定參數(shù)axis=1，具體看下面案例。

案例中，我們認(rèn)為總分高于200且數(shù)學(xué)分?jǐn)?shù)高于90為高分

# 多列條件組合
df['level'] = df.apply(lambda df: '高分' if df['總分']>=200 and df['數(shù)學(xué)']>=90 else '其他', axis=1)
df

同樣，上述用apply調(diào)用的函數(shù)都是自定義的，實(shí)際上我們也可以調(diào)用內(nèi)置或者pandas/numpy等自帶的函數(shù)。

比如，求語(yǔ)數(shù)外和總分最高分：

# python內(nèi)置的函數(shù)
df[['語(yǔ)文','數(shù)學(xué)','英語(yǔ)','總分']].apply(max)

語(yǔ)文 96
數(shù)學(xué) 95
英語(yǔ) 94
總分 278
dtype: int64

求語(yǔ)數(shù)外和總分平均分：

# numpy自帶的函數(shù)
import numpy as np
df[['語(yǔ)文','數(shù)學(xué)','英語(yǔ)','總分']].apply(np.mean)

語(yǔ)文 69.777778
數(shù)學(xué) 64.444444
英語(yǔ) 71.444444
總分 205.666667
dtype: float64

2. applymap

applymap則是對(duì)每個(gè)元素的函數(shù)處理，變量是每個(gè)元素值。

比如對(duì)語(yǔ)數(shù)外三科超過(guò)90分認(rèn)為是科目高分

df[['語(yǔ)文','數(shù)學(xué)','英語(yǔ)']].applymap(lambda x:'高分' if x>=90 else '其他')

3. map

map則是根據(jù)輸入對(duì)應(yīng)關(guān)系映射值返回最終數(shù)據(jù)，作用于某一列。傳入的值可以是字典，鍵值為原始值，值為需要替換的值。也可以傳入一個(gè)函數(shù)或者字符格式化表達(dá)式等等。

以上面性別列中的1替換為男，0替換為女為例，還可以通過(guò)map來(lái)實(shí)現(xiàn)
 

df['性別'].map({1:'男', 0:'女'})

輸出結(jié)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: 性別, dtype: object

比如總分列想變成格式化字符：

df['總分'].map('總分：{}分'.format)

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

4. agg

agg一般用于聚合，在分組或透視操作中常見(jiàn)到，用法是和apply比較接近。

比如，求語(yǔ)數(shù)外和總分的最高分、最低分和平均分

df[['語(yǔ)文','數(shù)學(xué)','英語(yǔ)','總分']].agg(['max','min','mean'])

我們還可以對(duì)不同的列進(jìn)行不同的運(yùn)算（用字典形式指定）

# 語(yǔ)文最高分、數(shù)學(xué)最低分和英文最高最低分
df.agg({'語(yǔ)文':['max'],'數(shù)學(xué)':'min','英語(yǔ)':['max','min']})

當(dāng)然也支持自定義函數(shù)的調(diào)用

5. pipe

以上四個(gè)調(diào)用函數(shù)的方法，我們發(fā)現(xiàn)被調(diào)用的函數(shù)的參數(shù)就是 ??DataFrame???或Serise數(shù)據(jù)，如果我們被調(diào)用的函數(shù)還需要?jiǎng)e的參數(shù)，那么該如何做呢？

所以，pipe就出現(xiàn)了。

pipe又稱(chēng)管道方法，可以將我們的處理分析過(guò)程標(biāo)準(zhǔn)化、流程化。它在調(diào)用函數(shù)的時(shí)候可以帶被調(diào)用函數(shù)的其他參數(shù)，這樣就方便自定義函數(shù)的功能擴(kuò)展了。

比如，我們需要獲取總分大于n，性別為sex的同學(xué)的數(shù)據(jù)，其中n和sex是可變參數(shù)，那么用apply等就不太好處理。這個(gè)時(shí)候，就可以用到??pipe??方法來(lái)搞事了！

我們先定義一個(gè)函數(shù)：

# 定義一個(gè)函數(shù)，總分大于等于n，性別為sex的同學(xué)數(shù)據(jù)（sex為2表示不分性別）
def total(df, n, sex):
dfT = df.copy()
if sex == 2:
return dfT[(dfT['總分']>=n)]
else:
return dfT[(dfT['總分']>=n) & (dfT['性別']==sex)]

如果我們要找到總分大于200，不分性別的學(xué)生成績(jī)，可以這樣：

df.pipe(total,200,2)

再找總分大于150，性別為男生（1）的學(xué)生成績(jī)，可以這樣：

df.pipe(total,150,1)

再找總分大于200，性別為女生（0）的學(xué)生成績(jī)，可以這樣：
 

df.pipe(total,200,0)

以上就是本次我們介紹的5種調(diào)用函數(shù)的方法，這些操作技巧可以讓我們?cè)谔幚頂?shù)據(jù)時(shí)更加靈活自如

到此這篇關(guān)于分享5個(gè)數(shù)據(jù)處理更加靈活的pandas調(diào)用函數(shù)方法的文章就介紹到這了,更多相關(guān)pandas調(diào)用函數(shù)方法內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

最新評(píng)論