pandas(03 函数应用和重新索引)

 前面内容： pandas（02 pandas基本功能和描述性统计）

目录

一、Python Pandas 函数应用

1.1 apply()

1.2 map()和applymap()*

1.3 pipe()

二、Python Pandas 重新索引 

 2.1 其他对象对齐

2.2 在重新索引时填充

2.3 重新索引时填充的限制

2.4.给行与列重命名

---

 

一、Python Pandas 函数应用

要将自己或其他库的函数应用到Pandas对象上，您需要了解三个重要的方法。下面讨论了这些方法。使用适当的方法取决于您的函数是希望对整个DataFrame还是逐行/逐列或逐个元素进行操作。

• 逐行或逐列函数应用：apply()
• 逐个元素函数应用：applymap()
• 某一列的元素的应用:  map()
• 表格全局函数应用：pipe()

1.1 apply()

可以使用 apply() 方法沿着DataFrame或Panel的轴应用任意函数。该方法和描述性统计方法一样，可以接受一个可选的axis参数。默认情况下，该操作按列进行，将每一列视为类似数组的对象。即：对象应用某个函数

例1:

import pandas as pd
import numpy as np
df = pd.DataFrame(np.random.randn(5,3),columns=['col1','col2','col3'])
print('-'*25,'np.random.randn(5,3)即‘五行三列’的随机数','-'*25)
print(np.random.randn(5,3))
print('-'*25,'df','-'*25) #分割线
print(df)
print('-'*25,'对df进行求和','-'*25)
print(df.apply(np.sum))

运行结果(随机数，具体数值可能会不一样)： 

 例2（设置参数axis=1，通过axis对行或者列进行应用函数）:

print('-'*25,'对df进行求和,axis=1','-'*25)
print(df.apply(np.sum,axis=1))

例3(匿名函数)： 

print('-'*25,'匿名函数lambda，求最大值-最小值','-'*25)
print(df.apply(lambda x: x.max() - x.min()))

 运行结果：