这5个pandas调用函数的方法,让我的数据处理更加灵活自如

Posted Python学习与数据挖掘

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了这5个pandas调用函数的方法,让我的数据处理更加灵活自如相关的知识,希望对你有一定的参考价值。

今天我们就来介绍Pandas常用的几种调用函数的方法

目录:

  • 0. 数据预览

  • 1. apply

  • 2. applymap

  • 3. map

  • 4. agg

  • 5. pipe

推荐文章

0. 数据预览

这里的数据是虚构的语数外成绩,大家在演示的时候拷贝一下就好啦。

import pandas as pd

df = pd.read_clipboard()
df

|

姓名语文数学英语性别总分
0才哥9195921
1小明8293911
2小华8287941
3小草9655880
4小红5141700
5小花5859400
6小龙7055591
7杰克5344421
8韩梅梅4551670

1. apply

apply可以对DataFrame类型数据按照列或行进行函数处理,默认情况下是按照(单独对Series亦可)。

在案例数据中,比如我们想将性别列中的1替换为男,0替换为女,那么可以这样搞定。

先自定义一个函数,这个函数有一个参数 s(Series类型数据)。

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

上述函数还有更简洁写法,这里方便理解采用最直观的写法哈。

然后,我们直接使用apply去调用这个函数即可。

df['性别'].apply(getSex)

可以看到输出结果如下:

012345678    女
Name: 性别, dtype: object

当然,我们也可以直接用调用匿名函数lambda的形式:

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

可以看到结果是一样的:

012345678    女
Name: 性别, dtype: object

以上是单纯根据一列的值条件进行的数据处理,我们也可以根据多列组合条件(可以了解为按行)进行处理,需要注意这种情况下需要指定参数axis=1,具体看下面案例。

案例中,我们认为总分高于200数学分数高于90为高分

# 多列条件组合
df['level'] = df.apply(lambda df: '高分' if df['总分']>=200 and df['数学']>=90 else '其他', axis=1)
df

同样,上述用apply调用的函数都是自定义的,实际上我们也可以调用内置或者pandas/numpy自带的函数。

比如,求语数外和总分最高分:

# python内置的函数
df[['语文','数学','英语','总分']].apply(max)
语文     96
数学     95
英语     94
总分    278
dtype: int64

求语数外和总分平均分:

# numpy自带的函数
import numpy as np

df[['语文','数学','英语','总分']].apply(np.mean)

语文     69.777778
数学     64.444444
英语     71.444444
总分    205.666667
dtype: float64

2. applymap

applymap则是对每个元素的函数处理,变量是每个元素值。

比如对语数外三科超过90分认为是科目高分

df[['语文','数学','英语']].applymap(lambda x:'高分' if x>=90 else '其他')
语文数学英语
0高分高分
1其他高分
2其他其他
3高分其他
4其他其他
5其他其他
6其他其他
7其他其他
8其他其他

3. map

map则是根据输入对应关系映射值返回最终数据,作用于某一列。传入的值可以是字典,键值为原始值,值为需要替换的值。也可以传入一个函数或者字符格式化表达式等等。

以上面性别列中的1替换为男,0替换为女为例,还可以通过map来实现

df['性别'].map(1:'男', 0:'女')

输出结果也是一致的:

012345678    女
Name: 性别, dtype: object

比如总分列想变成格式化字符:

df['总分'].map('总分:分'.format)

0    总分:2781    总分:2662    总分:2633    总分:2394    总分:1625    总分:1576    总分:1847    总分:1398    总分:163分
Name: 总分, dtype: object

4. agg

agg一般用于聚合,在分组或透视操作中常见到,用法是和apply比较接近。

比如,求语数外和总分的最高分、最低分和平均分

df[['语文','数学','英语','总分']].agg(['max','min','mean'])

我们还可以对不同的列进行不同的运算(用字典形式指定)

# 语文最高分、数学最低分和英文最高最低分
df.agg('语文':['max'],'数学':'min','英语':['max','min'])

当然也支持自定义函数的调用

5. pipe

以上四个调用函数的方法,我们发现被调用的函数的参数就是 DataFrameSerise数据,如果我们被调用的函数还需要别的参数,那么该如何做呢?

所以,pipe就出现了。

pipe又称管道方法,可以将我们的处理分析过程标准化、流程化。它在调用函数的时候可以带被调用函数的其他参数,这样就方便自定义函数的功能扩展了。

比如,我们需要获取总分大于n,性别为sex的同学的数据,其中n和sex是可变参数,那么用apply等就不太好处理。这个时候,就可以用到pipe方法来搞事了!

我们先定义一个函数

# 定义一个函数,总分大于等于n,性别为sex的同学数据(sex为2表示不分性别)
def total(df, n, sex):
    dfT = df.copy()
    if sex == 2:
        return dfT[(dfT['总分']>=n)]
    else:
        return dfT[(dfT['总分']>=n) & (dfT['性别']==sex)]

如果我们要找到总分大于200,不分性别的学生成绩,可以这样:

df.pipe(total,200,2)

再找总分大于150,性别为男生(1)的学生成绩,可以这样:

df.pipe(total,150,1)

再找总分大于200,性别为女生(0)的学生成绩,可以这样:

df.pipe(total,200,0)

搞定!

以上就是本次我们介绍的5种调用函数的方法,这些操作技巧可以让我们在处理数据时更加灵活自如

总结

人生不可重来,但是Python可以重试!

我已经将retrying 这个装饰函数的使用方法毫无保留地奉献给各位看官了,赶快用起来吧!

技术交流

欢迎转载、收藏、有所收获点赞支持一下!

目前开通了技术交流群,群友已超过2000人,添加时最好的备注方式为:来源+兴趣方向,方便找到志同道合的朋友

  • 方式①、发送如下图片至微信,长按识别,后台回复:加群;
  • 方式②、添加微信号:dkl88191,备注:来自CSDN
  • 方式③、微信搜索公众号:Python学习与数据挖掘,后台回复:加群

以上是关于这5个pandas调用函数的方法,让我的数据处理更加灵活自如的主要内容,如果未能解决你的问题,请参考以下文章

真棒!5 个 Python 技巧让我的数据科学工作更轻松!

5.Pandas查询数据的5种方法

这 20 个Pandas 函数, 你可能没试过

阿里面试题:Pandas中合并数据的5个函数,各有千秋!

阿里面试题:Pandas中合并数据的5个函数,各有千秋!

阿里面试题:Pandas中合并数据的5个函数,各有千秋!