python apply函数

本文详细介绍了Pandas库中的apply函数使用方法,包括其参数解释、应用实例及性能对比。通过示例展示了如何利用apply函数对DataFrame进行行或列操作,并对比了不同实现方式的性能差异。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

 

1、介绍

apply函数是pandas里面所有函数中自由度最高的函数。该函数如下:

DataFrame.apply(func, axis=0, broadcast=False, raw=False, reduce=None, args=(), **kwds)

该函数最有用的是第一个参数,这个参数是函数,相当于C/C++的函数指针。

这个函数需要自己实现,函数的传入参数根据axis来定,比如axis = 1,就会把一行数据作为Series的数据 结构传入给自己实现的函数中,我们在函数中实现对Series不同属性之间的计算,返回一个结果,则apply函数 会自动遍历每一行DataFrame的数据,最后将所有结果组合成一个Series数据结构并返回。

2、样例

  1. import numpy as np
  2. import pandas as pd
  3. f = lambda x: x.max()-x.min()
  4. df = pd.DataFrame(np.random.randn(4,3),columns=list('bde'),index=['utah', 'ohio', 'texas', 'oregon'])
  5. print(df)
  6. t1 = df.apply(f)
  7. print(t1)
  8. t2 = df.apply(f, axis=1)
  9. print(t2)

输出结果如下所示:

  1. b d e
  2. utah 1.106486 0.101113 -0.494279
  3. ohio 0.955676 -1.889499 0.522151
  4. texas 1.891144 -0.670588 0.106530
  5. oregon -0.062372 0.991231 0.294464
  6. b 1.953516
  7. d 2.880730
  8. e 1.016430
  9. dtype: float64
  10. utah 1.600766
  11. ohio 2.845175
  12. texas 2.561732
  13. oregon 1.053603
  14. dtype: float64

3、性能比较

  1. df = pd.DataFrame({'a': np.random.randn(6),
  2. 'b': ['foo', 'bar'] * 3,
  3. 'c': np.random.randn(6)})
  4. def my_test(a, b):
  5. return a + b
  6. print(df)
  7. df['Value'] = df.apply(lambda row: my_test(row['a'], row['c']), axis=1) # 方法1
  8. print(df)
  9. df['Value2'] = df['a'] + df['c'] # 方法2
  10. print(df)

输出结果如下:

  1. a b c
  2. 0 -1.194841 foo 1.648214
  3. 1 -0.377554 bar 0.496678
  4. 2 1.524940 foo -1.245333
  5. 3 -0.248150 bar 1.526515
  6. 4 0.283395 foo 1.282233
  7. 5 0.117674 bar -0.094462
  8. a b c Value
  9. 0 -1.194841 foo 1.648214 0.453374
  10. 1 -0.377554 bar 0.496678 0.119124
  11. 2 1.524940 foo -1.245333 0.279607
  12. 3 -0.248150 bar 1.526515 1.278365
  13. 4 0.283395 foo 1.282233 1.565628
  14. 5 0.117674 bar -0.094462 0.023212
  15. a b c Value Value2
  16. 0 -1.194841 foo 1.648214 0.453374 0.453374
  17. 1 -0.377554 bar 0.496678 0.119124 0.119124
  18. 2 1.524940 foo -1.245333 0.279607 0.279607
  19. 3 -0.248150 bar 1.526515 1.278365 1.278365
  20. 4 0.283395 foo 1.282233 1.565628 1.565628
  21. 5 0.117674 bar -0.094462 0.023212 0.023212

注意:当数据量很大时,对于简单的逻辑处理建议方法2(个人处理几百M数据集时,方法1花时200s左右,方法2花时10s)!!!

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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