apply&字典

pandas map(), apply(), applymap() 区别解析 基础 以下操作基于python 3.6 windows 10 环境下 通过 将通过实例来演示三者的区别 toward_dict = {1: '东', 2: '南', 3: '西', 4: '北'} df = pd.DataFrame({'house' : list('AABCEFG'), 'price' : [100, 90, '', 50, 120, 150, 200],'toward' ... 阅读详情

大家好,好久不见,再次介绍下本人。中山大学,医学生+计科学生的集合体,机器学习爱好者。又开始进入万年记不住的字典坑了,加上apply用法,双坑齐下,特此总结。

import pandas as pd
data=pd.DataFrame({'ct':[1,1,2,2,3],'1_tf':[10,20,30,40,50]})
co_1f_dict = data.groupby('ct')['1_tf'].mean().to_dict()

一列(加不加reset_index不影响df类型)
part1:表明只能是列做字典映射

a = data['ct'].reset_index(drop=True)
print(a)
# 0    1
# 1    1
# 2    2
# 3    2
# 4    3
# Name: ct, dtype: int64
print(a.iloc[0])
#1
print(co_1f_dict[a.iloc[0]])
#15


b = data['ct']
print(b)
# 0    1
# 1    1
# 2    2
# 3    2
# 4    3
# Name: ct, dtype: int64
print(b.iloc[0])
#1
print(co_1f_dict[b.iloc[0]])
#15


c = data[['ct']]
print(c)
#    ct
# 0              1
# 1              1
# 2              2
# 3              2
# 4              3
print(c.iloc[0])
#ct    1
# Name: 0, dtype: int64
print(co_1f_dict[c.iloc[0]])
#报错

一列(加不加reset_index不影响df类型)
part2:表明只能是df做apply字典映射

d = data[['ct']].apply(lambda x: x.iloc[0], axis=1)
print(d)
# 0    1
# 1    1
# 2    2
# 3    2
# 4    3
# dtype: int64
d1 = data[['ct']].apply(lambda x: co_1f_dict[x.iloc[0]], axis=1)
print(d1)
# 0    15
# 1    15
# 2    35
# 3    35
# 4    50
# dtype: int64


e = data['ct'].apply(lambda x: x.iloc[0], axis=1)
print(e)
e1 = data['ct'].apply(lambda x: co_1f_dict[x.iloc[0]], axis=1)
print(e1)
#报错


f = data['ct'].reset_index(drop=True).apply(lambda x: x.iloc[0], axis=1)
print(f)
f1 = data['ct'].reset_index(drop=True).apply(lambda x: co_1f_dict[x.iloc[0]], axis=1)
print(f1)
#报错

两列
part3:表明多列只能用df用apply能做字典映射

A = data['ct','1_tf'].reset_index(drop=True)
print(A)
print(A.iloc[0])
print(co_1f_dict[A.iloc[0]])
#报错


B = data['ct','1_tf']
print(B)
print(B.iloc[0])
print(co_1f_dict[B.iloc[0]])
#报错


C = data[['ct','1_tf']]
print(C)
#    ct  1_tf
# 0              1           10
# 1              1           20
# 2              2           30
# 3              2           40
# 4              3           50
print(C.iloc[0])
# ct     1
# 1_tf      10
# Name: 0, dtype: int64
print(co_1f_dict[C.iloc[0]])
#报错


D = data[['ct','1_tf']].apply(lambda x: x.iloc[0], axis=1)
print(D)
# 0    1
# 1    1
# 2    2
# 3    2
# 4    3
# dtype: int64
D1 = data[['ct','1_tf']].apply(lambda x: co_1f_dict[x.iloc[0]], axis=1)
print(D1)
# 0    15
# 1    15
# 2    35
# 3    35
# 4    50
# dtype: int64


E = data['ct','1_tf'].apply(lambda x: x.iloc[0], axis=1)
print(E)
E1 = data['ct','1_tf'].apply(lambda x: co_1f_dict[x.iloc[0]], axis=1)
print(E1)
#报错


F = data['ct','1_tf'].reset_index(drop=True).apply(lambda x: x.iloc[0], axis=1)
print(F)
F1 = data['ct'].reset_index(drop=True).apply(lambda x: co_1f_dict[x.iloc[0]], axis=1)
print(F1)
#报错

感觉永远都搞不清楚字典和apply的用法,希望此文能加深理解。

pandas小记:pandas数据结构和基本操作 http://blog.csdn.net/pipisorry/article/details/18010307 pandas的数据 结构:Series、DataFrame、索引对象 pandas基本功能:重新索引,丢弃指定轴上的项,索引、选取和过滤,算术运算和数据对齐,函数应用和映射,排序和排名,带有重复值的轴索引 Pandas介绍 pandas含有使数据分析工作变得更快更简单的高级数据结构... 阅读详情

相关推荐

pandas使用applymap函数替换dataframe的内容或者数值:applymap函数使用字典替换多个列的内容(数值)

pandas使用applymap函数替换dataframe的内容或者数值:applymap函数使用字典替换多个列的内容(数值) 目录 pandas使用applymap函数替换dataframe的内容或者数值:applymap函数使用字典替换多个列的内容(数值) #仿真数据 #仿真数据 #applymap替换使用的字典 #applymap函数使用字典替换多个列的内容(数值) #仿真数据 import pandas as pd # import random from ra...

data+scenario+science+insight 1036

python中apply()的用法

解析:args是一个包含按照函数所需参数传递的位置参数的一个元组,是不是很拗口,意思就是,假如A函数的函数位置为 A(a=1,b=2),那么这个元组中就必须严格按照这个参数的位置顺序进行传递(a=3,b=4),而不能是(b=4,a=3)这样的顺序 kwargs是一个包含关键字参数的字典,而其中args如果不传递,kwargs需要传递,则必须在args的位置留空。用途:当一个函数的参数存在于一个元组或者一个字典中时,用来间接的调用这个函数,并肩元组或者字典中的参数按照顺序传递给参数。

qq_46703208的博客 1046

基于CANoe的Basic Diagnostics ECU (UDS)

基于CANoe的Basic Diagnostics ECU (UDS)

farmer00的博客 9153

pandas数据处理map、apply、applymap小结

map、apply、applymap小结 apply:DataFrame数据函数,series级别操作,应用在DataFrame的行或列中,也可以应用到单独一个Series的每个元素中 map:series数据函数,series元素级别操作,应用在Series的每个元素中 applymap:DataFrame数据函数,DataFrame元素级别操作,应用在DataFrame的每个元素中 applyapply是沿DataFrame的轴应用功能,传递给函数的对象是Series对象,其索引为DataFrame的索

m0_51062999的博客 540

基于ADS的低噪声放大电路设计

1. 低噪声放大器设计理论基础 1.1 低噪声放大器在通信系统中的作用 低噪声放大器的主要作用是放大天线从空中接收到的微弱信号,减小噪声干扰,以供系统解调出所需的信息数据。当今,人们对于各种无线通信工具的要求越来越高,如功率辐射要小、作用距离要远、覆盖范围要广等,这就对系统的接收灵敏度提出了更高的要求,系统接收灵敏度的计算公式为: Smin⁡=−144(dBmHz)+NF+10lg⁡BW(MHz)+SN(dB) {S_{\min }} = - 144\left( {\frac{{{\rm{dBm}}}}{

ASH_GUARDIAN的博客 4万+

手把手教您如何群晖/飞牛NAS等服务器上一键部署洛雪音乐同步服务,手机电脑无缝同步歌单,支持外网访问

🎵 手机电脑歌单不同步?用Docker在群晖/飞牛NAS等服务器上搭个同步服务器, 3分钟搞定 !支持docker-compose一键部署,手机、电脑、平板收藏夹实时同步,外出也能用域名远程访问 ~ ✨

XiaoqiangClub的博客 4606

将pandas变为字典,apply,groupby

文章目录变为字典,带上index变为字典,不带index 原来的data 变为字典,带上index a=data.to_dict() 变为字典,不带index a=data.to_dict(orient='list')

qq_34229228的博客 1262

EtherCAT主站IGH-- 49 -- 搭建xenomai系统及自己的IGH主站

以上就是搭建xenomai系统及自己的IGH主站的内容。有不明白的地方欢迎留言;有建议欢迎留言,我后面编写文档好改进。创作不容,如果文档对您有帮助,记得给个赞。

常驻客栈的博客--嵌入式EtherCAT 3158

Pandas数据分析基础—pandas自带函数map()/apply()/applymap()

在进行数据处理时,经常会对一个DataFrame展开逐行、逐列、逐元素的操作,对应这些操作,常常使用Pandas中的map、apply和applymap三个函数进行处理。本文主要讲这三个函数在series、dataframe数据结构下应用情况及三个函数的区别。

sodaloveer的博客 7863

台区同期线损智能诊断与闭环治理体系及工程化实践

高损台区:同期线损率>预设阈值(通常为8%,可根据区域、台区类型调整);负损台区:同期线损率<0,即供电量小于售电量,多由档案、计量、拓扑错误导致;波动损台区:月度线损率波动幅度>预设阈值(通常为5%),且无合理原因;持续异常台区:连续2个及以上周期线损率不达标,且未完成有效整改。台区同期线损智能诊断与闭环治理体系,以电力大数据为基础、智能诊断模型为核心、标准化流程为保障,彻底解决了传统线损治理“异常发现慢、定位难、整改乱、无闭环”的痛点,实现了线损治理从“人工经验驱动”向“数据智能驱动”的根本性转型。

getusushu的博客 204

大数据合规工程师必备的7项核心技能

当我们谈论“大数据”时,往往先想到它的价值——驱动业务增长、优化用户体验、赋能智能决策。大数据的价值越大,其合规风险的“重量”就越重。2023年,全球有超过120个国家出台了数据保护法规,中国《个人信息保护法》《数据安全法》的实施进入深水区,欧盟GDPR的罚款金额屡创新高(最高达全球营收的4%)。企业面临的合规压力,早已从“被动应对监管”升级为“主动构建合规能力”。在这样的背景下,大数据合规工程师。

SuperAGI2025 1259

Pandas教程 | 数据处理三板斧——map、apply、applymap详解

Pandas map、apply、applymap

chenzhjlf的专栏 5551

apollo-慢速车向左绕行

当主车前方出现其他车辆时,通过左侧车道对前车绕行。

是菜鸟o的博客 310

pandas 写入字典_一分钟一个Pandas小技巧(二)

在逛Kaggle的时候发现了一篇不错的Pandas技巧,我将挑选一些有用的并外加一些自己的想法分享给大家。 本系列虽基础但带仍有一些奇怪操作,粗略扫一遍,您或将发现一些您需要的技巧。纸上得来终觉浅,绝知此事要躬行,所谓的熟练使用Pandas是建立在您大致了解每个函数功能上,希望本系列能给您带来些许收获。本篇所涉及知识点:map、apply、applymapgroupby MultiIndex Da...

weixin_34898216的博客 539

15、z/OS 优化配置与迁移实践

本文详细探讨了z/OS环境的优化配置与迁移实践,涵盖DASD存储库管理、用户目录更新、环境更新意义以及不同场景下的迁移案例。通过单笔记本系统和服务器级机器的实例,展示了迁移流程和关键要点,包括DASD文件创建、设备映射更新、系统重启初始化以及数据备份等步骤。文章还总结了迁移过程中的注意事项,并展望了未来z/OS优化的发展趋势,为z/OS系统的稳定运行和高效管理提供了实用指导。

zzz56的博客 129

汉书HE8,好用的汇编代码编写工具

汉书HE8,好用的汇编代码编写工具早期编写汇编代码所用功能强大

python具有_1.Python基础知识

1.查看某个变量或者对象占用空间的大小import sysv=1print sys.getsizeof(v)2.排序ipinfo=sorted(ipinfo.iteritems(),key= lambda abs:abs[1],reverse=True)sorted用于字典或者列表的排序。key: 函数, 传入第一个元素, 返回比较的key。cmp: 函数,传入两个参数, 如果第一个参数...

weixin_30794755的博客 320

jdk-8u144-linux-x64.tar.gz.

该资源为搭建Linux系统Java环境用,资源的后缀为tar.gz格式的压缩包

【Python】Pandas 的 apply 函数使用示例

apply 是 pandas 库的一个很重要的函数,多和 groupby 函数一起用,也可以直接用于 DataFrame 和 Series 对象。主要用于数据聚合运算,可以很方便的对分组进行现有的运算和自定义的运算。 数据集 使用的数据集是美国人口普查的数据,可以从这里下载,里面包含了CSV数据文件和PDF说明文件,说明文件里解释了每个变量的意义。 数据大致是这个样子: 美...

Alan Lee 9万+

蓝牙模块HM-10手册

蓝牙模块HM-10手册,该手册对蓝牙模块HM-10进行了详细的介绍和使用方法以及一些AT指令。

假人有限元模型

假人模型,车辆碰撞假人有限元模型,适合做乘员安全的研究者利用

pandas中DataFrame的apply()方法和applymap()方法,以及python内置函数map()

       我们经常会对DataFrame对象中的某些行或列,或者对DataFrame对象中的所有元素进行某种运算或操作,我们无需利用低效笨拙的循环,DataFrame给我们分别提供了相应的直接而简单的方法,apply()和applymap()。其中apply()方法是针对某些行或列进行操作的,而applymap()方法则是针对所有元素进行操作的。        我们给出具体的例子看这两个方法...

S_o_l_o_n的博客 1万+

pandas中的applymap和apply

对每列或每行的一维数组应用一个函数是一个常用的操作,这时apply就派上用场了。In [5]: frame =pd.DataFrame(np.random.randn(4, 3), columns=list('bde'), ...: .....: index=['Utah', 'Ohio', 'Texas', 'Oregon']) ...: ...: In [6]: fram...

坑底Z蛙 1598

Pandas基础入门(一)

一、Pandas简介Pandas是一个强大的分析结构化数据的工具集;(Pandas 纳入了大量库和一些标准的数据模型,提供了高效地操作大型数据集所需的函数和方法,能够快速便捷地处理数据)它的使用基础是Numpy(提供高性能的矩阵运算);用于数据挖掘和数据分析,同时也提供数据清洗功能文末放上代码、参考资料和相关数据文件#全部行都能输出 from IPython.core.interactiveshe...

weixin_45064713的博客 1253

Pandas 中map, applymap and apply的区别

1.apply()当想让方程作用在一维的向量上时,可以使用apply来完成,如下所示In [116]: frame = DataFrame(np.random.randn(4, 3), columns=list('bde'), index=['Utah', 'Ohio', 'Texas', 'Oregon'])In [117]: frame Out[117]: b

u010814042的博客 5万+

Pandas的Apply函数——Pandas中最好用的函数

Pandas最好用的函数 Pandas是Python语言中非常好用的一种数据结构包, 包含了许多有用的数据操作方法。而且很多算法相关的库函数的输入数据结构都要求是pandas数据,或者有该数据的接口。 仔细看pandas的API说明文档, 就会发现有好多有用的函数,比如非常常用的文件的读写函数就包括如下函数: Format Type Data Description Re...

冬之晓 21万+

详解pandas中的map()、apply()、applymap()、groupby()、agg()

以下文章来源于Python大数据分析 ,作者费弗里 一、简介 pandas提供了很多方便简洁的方法,用于对单列、多列数据进行批量运算或分组聚合运算,熟悉这些方法后可极大地提升数据分析的效率,也会使得你的代码更加地优雅简洁。 本文就将针对pandas中的map()、apply()、applymap()、groupby()、agg()等方法展开详细介绍,并结合实际例子帮助大家更好地理解它们的使用技巧。...

weixin_42355670的博客 2172

apply筛选 pandas_更快的pandas.apply搜索方法

python3中的字典类型用了哈希排列,速度很快。到底有多快呢。最近写数据分析代码,有一个筛选程序,在使用pandas.apply的过程中,在apply过程中使用了loc函数,速度很慢。为了提高速度,尝试用python的基础字典类型来改进。结果速度提高了60多倍。下面介绍过程。任务是这样:有一个目标数据集Dataframe——df1。形状为(100000,2),包括GridPower实时功率、风速...

weixin_39522486的博客 287

pandas的apply方法基础使用

pandas中利用apply来对数据进行处理十分常见,也十分的方便,原因在于apply方法可以调用函数:        应用于dataframe的各个列这里借用了一位老师的图:(充分说明了group到apply的过程)In [45]: df = pd.DataFrame({'a':[1,2,1,2],'b':[3,4,5,6]}) In [46]: df Out[46]: a b 0 ...

昆兰.沃斯 的博客 6500

Pandas 的apply函数

Pandas 的apply函数的应用实例: apply 是 pandas 库的一个很重要的函数,多和 groupby 函数一起用,也可以直接用于 DataFrame 和 Series 对象。主要用于数据聚合运算,可以很方便的对分组进行现有的运算和自定义的运算。

Twilightuse93的专栏 2358
上一篇: reset_index(drop=True)
下一篇: 分开拼接,split and join
Yukyin
博客等级 码龄8年 106粉丝 28原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值