1.单列运算

在Pandas中，DataFrame的一列就是一个Series, 可以通过map来对一列进行操作：

df['col2'] = df['col1'].map(lambda x: x**2)

其中lambda函数中的x代表当前元素。可以使用另外的函数来代替lambda函数，例如：

define square(x): return (x ** 2) df['col2'] = df['col1'].map(square)

2.多列运算

apply()会将待处理的对象拆分成多个片段，然后对各片段调用传入的函数，最后尝试将各片段组合到一起。

要对DataFrame的多个列同时进行运算，可以使用apply，例如col3 = col1 + 2 * col2:

df['col3'] = df.apply(lambda x: x['col1'] + 2 * x['col2'], axis=1)

其中x带表当前行，可以通过下标进行索引。

示例2

In [44]: f = lambda x : x.max()-x.min()In [45]: df.apply(f)Out[45]:data1 5.042275data2 1.967290dtype: float64In [46]: df.apply(f,axis=1)Out[46]:0 2.8100741 1.0097742 0.5371833 0.8137144 1.750022dtype: float64

applymap()

用DataFrame的applymap方法，可以将函数应用到元素级的数据上。

In [47]: f = lambda x : x+1In [48]: df.applymap(f)Out[48]: data1 data20 -1.332263 1.4778121 0.284755 1.2945282 0.066644 0.6038273 1.757402 2.5711174 3.710012 1.959990

Series也有一个元素级函数应用的方法map

In [49]: df['data1']Out[49]:0 -2.3322631 -0.7152452 -0.9333563 0.7574024 2.710012Name: data1, dtype: float64In [50]: df['data1'].map(f)Out[50]:0 -1.3322631 0.2847552 0.0666443 1.7574024 3.710012Name: data1, dtype: float64

3.分组运算

可以结合groupby与transform来方便地实现类似SQL中的聚合运算的操作：

df['col3'] = df.groupby('col1')['col2'].transform(lambda x: (x.sum() - x) / x.count())

在transform函数中x.sum()与x.count()与SQL类似，计算的是当前group中的和与数量，还可以将transform的结果作为一个一个映射来使用， 例如：

sumcount = df.groupby('col1')['col2'].transform(lambda x: x.sum() + x.count()) df['col1'].map(sumcount)

对col1进行一个map，得到对应的col2的运算值。

4.聚合函数

结合groupby与agg实现SQL中的分组聚合运算操作，需要使用相应的聚合函数：

df['col2'] = df.groupby('col1').agg({'col1':{'col1_mean': mean, 'col1_sum‘': sum}, 'col2': {'col2_count': count}})

上述代码生成了col1_mean, col1_sum与col2_count列。

示例2

In [52]: df.agg(['mean','sum'])Out[52]: data1 data2mean -0.102690 0.581455sum -0.513449 2.907274

函数 说明 count 分组中非Nan值的数量 sum 非Nan值的和 mean 非Nan值的平均值 median 非Nan值的算术中间数 std,var 标准差、方差 min,max 非Nan值的最小值和最大值 prob 非Nan值的积 first,last 第一个和最后一个非Nan值

到此这篇关于Pandas对DataFrame单列/多列进行运算(map, apply, transform, agg)的文章就介绍到这了,更多相关Pandas map apply transform agg内容请搜索以前的文章或继续浏览下面的相关文章希望大家以后多多支持！