理解 pandas 的函数，要对函数式编程有一定的概念和理解。函数式编程，包括函数式编程思维，当然是一个很复杂的话题，但对今天介绍的 apply() 函数，只需要理解：函数作为一个对象，能作为参数传递给其它参数，并且能作为函数的返回值。
函数作为对象能带来代码风格巨大的改变。举一个例子，有一个包含 1 到 10 的 list，从其中找出能被 3 整除的数字。用传统的方法：
def can_divide_by_three(number):
if number % 3 == 0:
return True
else:
return False
selected_numbers = []
for number in range(1, 11):
if can_divide_by_three(number):
selected_numbers.append(number)循环是不可少的，因为 can_divide_by_three() 函数只用一次，可以用 lambda 表达式简化：
divide_by_three = lambda x : True if x % 3 == 0 else False
selected_numbers = []
for number in range(1, 11):
if divide_by_three(item):
selected_numbers.append(item)这个就是传统编程思维方式，如果用函数式的编程方法呢，我们可以这样想：从一个 list 中取出特定规则的数字，能不能只关注和设置这个规则，循环这种事情交给编程语言去处理呢？当然可以。当编程人员只关心规则（规则可能是一个条件，或者由某一个 function 来定义），代码将大大简化，可读性也更强。
Python 语言提供 filter() 函数，语法如下：
filter(function, sequence)filter() 函数的功能：对 sequence 中的 item 依次执行 function(item)，将结果为 True 的 item 组成一个 List/String/Tuple（取决于 sequence 的类型）并返回。有了这个函数，上面的代码可以简化为：
divide_by_three = lambda x : True if x % 3 == 0 else False
selected_numbers = filter(divide_by_three, range(1, 11))将 lambda 表达式放在语句中，代码简化到只需要一句话就够了：
selected_numbers = filter(lambda x: x % 3 == 0, range(1, 11))Series.apply()
回到主题， pandas 的 apply() 函数可以作用于 Series 或者整个 DataFrame，功能也是自动遍历整个 Series 或者 DataFrame, 对每一个元素运行指定的函数。
举一个例子，现在有这样一组数据，学生的考试成绩：
Name Nationality Score
张 汉 400
李 回 450
王 汉 460如果民族不是汉族，则总分在考试分数上再加 5 分，现在需要用 pandas 来做这种计算，采取增加 pandas 列的方法。当然如果只是为了得到结果， numpy.where() 函数更简单，这里主要为了演示 Series.apply() 函数的用法。
import pandas as pd
df = pd.read_csv("studuent-score.csv")
df['ExtraScore'] = df['Nationality'].apply(lambda x : 5 if x != '汉' else 0)
df['TotalScore'] = df['Score'] + df['ExtraScore']对于 Nationality 这一列， pandas 遍历每一个值，并且对这个值执行 lambda 匿名函数，将计算结果存储在一个新的 Series 中返回。上面代码在 jupyter notebook 中显示的结果如下：
Name Nationality Score ExtraScore TotalScore
0 张 汉 400 0 400
1 李 回 450 5 455
2 王 汉 460 0 460apply() 函数当然也可执行 python 内置的函数，比如我们想得到 Name 这一列字符的个数，如果用 apply() 的话：
df['NameLength'] = df['Name'].apply(len)DataFrame.apply()
DataFrame.apply() 函数则会遍历每一个元素，对元素运行指定的 function。比如下面的示例：
import pandas as pd
import numpy as np
matrix = [
[1,2,3],
[4,5,6],
[7,8,9]
]
df = pd.DataFrame(matrix, columns=list('xyz'), index=list('abc'))
df.apply(np.square)对 df 执行 square() 函数后，所有的元素都执行平方运算：
x y z
a 1 4 9
b 16 25 36
c 49 64 81如果只想 apply() 作用于指定的行和列，可以用行或者列的 name 属性进行限定。比如下面的示例将 x 列进行平方运算：
df.apply(lambda x : np.square(x) if x.name=='x' else x)
x y z
a 1 2 3
b 16 5 6
c 49 8 9下面的示例对 x 和 y 列进行平方运算：
df.apply(lambda x : np.square(x) if x.name in ['x', 'y'] else x)
x y z
a 1 4 3
b 16 25 6
c 49 64 9
下面的示例对第一行 （a 标签所在行）进行平方运算：
df.apply(lambda x : np.square(x) if x.name == 'a' else x, axis=1)
默认情况下 axis=0 表示按列，axis=1 表示按行。
apply() 计算日期相减示例
平时我们会经常用到日期的计算，比如要计算两个日期的间隔，比如下面的一组关于 wbs 起止日期的数据：
wbs date_from date_to
job1 2019-04-01 2019-05-01
job2 2019-04-07 2019-05-17
job3 2019-05-16 2019-05-31
job4 2019-05-20 2019-06-11
假定要计算起止日期间隔的天数。比较简单的方法就是两列相减（datetime 类型)：
import pandas as pd
import datetime as dt
wbs = {
"wbs": ["job1", "job2", "job3", "job4"],
"date_from": ["2019-04-01", "2019-04-07", "2019-05-16","2019-05-20"],
"date_to": ["2019-05-01", "2019-05-17", "2019-05-31", "2019-06-11"]
}
df = pd.DataFrame(wbs)
df['elpased' = df['date_to'].apply(pd.to_datetime) -
df['date_from'].apply(pd.to_datetime)
apply() 函数将 date_from 和 date_to 两列转换成 datetime 类型。我们 print 一下 df:
wbs date_from date_to elapsed
0 job1 2019-04-01 2019-05-01 30 days
1 job2 2019-04-07 2019-05-17 40 days
2 job3 2019-05-16 2019-05-31 15 days
3 job4 2019-05-20 2019-06-11 22 days
日期间隔已经计算出来，但后面带有一个单位 days，这是因为两个 datetime 类型相减，得到的数据类型是 timedelta64，如果只要数字，还需要使用 timedelta 的 days 属性转换一下。
elapsed= df['date_to'].apply(pd.to_datetime) -
df['date_from'].apply(pd.to_datetime)
df['elapsed'] = elapsed.apply(lambda x : x.days)
使用 DataFrame.apply() 函数也能达到同样的效果，我们需要先定义一个函数 get_interval_days() 这个函数的第一列是一个 Series 类型的变量，执行的时候，依次接收 DataFrame 的每一行。
import pandas as pd
import datetime as dt
def get_interval_days(arrLike, start, end):
start_date = dt.datetime.strptime(arrLike[start], '%Y-%m-%d')
end_date = dt.datetime.strptime(arrLike[end], '%Y-%m-%d')
return (end_date - start_date).days
wbs = {
"wbs": ["job1", "job2", "job3", "job4"],
"date_from": ["2019-04-01", "2019-04-07", "2019-05-16","2019-05-20"],
"date_to": ["2019-05-01", "2019-05-17", "2019-05-31", "2019-06-11"]
}
df = pd.DataFrame(wbs)
df['elapsed'] = df.apply(
get_interval_days, axis=1, args=('date_from', 'date_to'))工作中应用apply()函数1
def all_mutation_no_same_phgvs(self, wildtype=False):
'''所有突变点，不包括野生型突变 phgvs为空
'''
def class_type(mtype):
if mtype == 'snv':
return '点突变\n插入缺失变异'
elif mtype == 'cnv':
return '拷贝数变异'
elif mtype == 'fusion':
return '融合变异'
elif mtype == 'skipping':
return 'Skipping'
else:
return 'Unknown'
df = self._mutations(wildtype=wildtype)
df = self._change_special_mutationtype(
df, mapping_phgvs=True, replace_types=True, replace_wild=True)
df['phgvs'] = df.apply(lambda x: '' if x['mtype']
!= 'snv' else x['phgvs'], axis=1)
df['mtype'] = df.apply(lambda x: class_type(x['mtype']), axis=1)
return df
def approved_clinical_meaning(self):
'''具有临床意义的变异 (不含野生型)'''
df = pd.concat([
self.group_data['current_tumor_sensitive'],
self.group_data['current_tumor_maybe_sensitive'],
self.group_data['current_tumor_negative'],
self.group_data['current_tumor_maybe_negative'],
self.group_data['current_tumor_less_effective'],
self.group_data['other_tumor_sensitive'],
self.group_data['other_tumor_maybe_sensitive'],
self.group_data['other_tumor_negative'],
self.group_data['other_tumor_maybe_negative'],
self.group_data['other_tumor_less_effective'],
])
df = df[['genesymbol', 'exonintron', 'ghgvs', 'chgvs',
'phgvs', 'vaf', 'mtype', 'somger']].drop_duplicates()
df = df[df['phgvs'] != '野生型']
df['genesymbol'] = df.apply(
lambda x: '' if x['mtype'] == '融合变异' else x['genesymbol'], axis=1)
df['phgvs'] = df.apply(
lambda x: '' if x['mtype'] == '拷贝数变异' else x['phgvs'], axis=1)
df['phgvs'] = df.apply(
lambda x: '' if x['mtype'] == '融合变异' else x['phgvs'], axis=1)
df['phgvs'] = df.apply(
lambda x: '' if x['mtype'] == 'Skipping' else x['phgvs'], axis=1)
return df.sort_values(by=['genesymbol'], ascending=True).copy()工作中应用apply()函数2
HETHOM_DICT = {
'Het': '杂合',
'Hom': '纯合',
'na': '--'
}
df['vaf'] = df.apply(lambda r: HETHOM_DICT.get(r['hethom']) if r['somger'] == 'GER' else r['vaf'], axis=1)
这段代码是用来将数据框 df 中的 vaf 列中的值转换为字符串。如果 somger 列的值为 GER，则将 vaf 列的值转换为 HETHOM_DICT 中的对应值，否则将 vaf 列的值保持不变。
HETHOM_DICT 是一个字典，其中 key 是 vaf 列中的值，value 是 vaf 列中的值对应的字符串。
df.apply() 函数用于对数据框中的每一行应用一个函数。在本例中，该函数是 lambda r: HETHOM_DICT.get(r['hethom']) if r['somger'] == 'GER' else r['vaf']。
该函数首先检查 somger 列的值是否为 GER。如果是，则将 vaf 列的值转换为 HETHOM_DICT 中的对应值。否则，将 vaf 列的值保持不变。
axis=1 参数指定了 apply() 函数在哪个轴上应用函数。在本例中，axis=1 表示在行上应用函数。
扫一扫
1万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
