本文主要是介绍Lesson7——Pandas 使用自定义函数，对大家解决编程问题具有一定的参考价值，需要的程序猿们随着小编来一起学习吧！

pandas目录

简介

　　如果想要应用自定义的函数，或者把其他库中的函数应用到 Pandas 对象中，有以下三种方法：

• 操作整个 DataFrame 的函数：pipe()
• 操作行或者列的函数：apply()
• 操作单一元素的函数：applymap()

　　下面介绍了三种方法的使用。

1 操作整个数据表

　　通过给 pipe() 函数传递一个自定义函数和适当数量的参数值，从而操作 DataFrme 中的所有元素。

　　下面示例，实现了数据表中的元素值依次加 3。

df = pd.DataFrame(np.arange(6).reshape(2,3),columns=['col1','col2','col3'])
#相加前
print(df)
#相加后
print(df.pipe(add,3))

　　输出结果：

   col1  col2  col3
0     0     1     2
1     3     4     5
   col1  col2  col3
0     3     4     5
1     6     7     8

2 操作行或列

　　如果要操作  DataFrame 的某一行或者某一列，可以使用 apply() 方法，该方法与描述性统计方法类似，都有可选参数 axis，并且默认按列操作。示例如下：

df2 =pd.DataFrame(data=np.arange(6,12).reshape((-1,3)),columns=['col1','col2','col3'],index=[2,3])
df = df.append(df2)
df

　　输出结果：

col1	col2	col3
0	0	1	2
1	3	4	5
2	6	7	8
3	9	10	11

　　继续：

df.apply(np.mean)

　　输出结果：

col1    4.5
col2    5.5
col3    6.5
dtype: float64

　　示例：

df.apply(np.mean,axis =1)

　　输出结果：

0     1.0
1     4.0
2     7.0
3    10.0
dtype: float64

　　求每一列中，最大值与最小值之差。示例如下：

print(df.apply(lambda x: x.max() - x.min()))

　　输出结果：

col1    9
col2    9
col3    9
dtype: int64

3 操作单一元素

　　DataFrame 数据表结构的 applymap() 和 Series 系列结构的 map() 类似，它们都可以接受一个 Python 函数，并返回相应的值。
　　示例如下：

df = pd.DataFrame(np.arange(6).reshape((-1,3)),columns=['col1','col2','col3'])
print(df)
#自定义函数lambda函数
print(df['col1'].map(lambda x:x*2))

　　输出结果：

   col1  col2  col3
0     0     1     2
1     3     4     5
0    0
1    6
Name: col1, dtype: int64

　　下面示例使用了 applymap() 函数，如下所示：

#自定义函数
df = pd.DataFrame(np.arange(6).reshape((-1,3)),columns=['col1','col2','col3'])
print(df.applymap(lambda x:x*2))
print(df.apply(np.mean))

　　输出结果：

   col1  col2  col3
0     0     2     4
1     6     8    10
col1    1.5
col2    2.5
col3    3.5
dtype: float64

这篇关于Lesson7——Pandas 使用自定义函数的文章就介绍到这儿，希望我们推荐的文章对大家有所帮助，也希望大家多多支持为之网！