自己總結(jié)一下：

1.apply()

Series.apply：For applying more complex functions on a Series。

對Series的值調(diào)用函數(shù)?？梢允莡func(一個適用于整個系列的NumPy函數(shù))還是一個只對單個值有效的Python函數(shù)。

>>> series = pd.Series([20, 21, 12], index=['London', ... 'New York','Helsinki']) >>> series London 20 New York 21 Helsinki 12 dtype: int64>>> def square(x): ... return x**2 >>> series.apply(square) London 400 New York 441 Helsinki 144 dtype: int64>>> series.apply(lambda x: x**2) London 400 New York 441 Helsinki 144 dtype: int64

DataFrame.apply：Apply a function row-/column-wise，按行/列方式應(yīng)用函數(shù)

沿著DataFrame的輸入軸應(yīng)用函數(shù)

>>> df.apply(numpy.sqrt) # returns DataFrame >>> df.apply(numpy.sum, axis=0) # equiv to df.sum(0) #作用的列上，可以省略 >>> df.apply(numpy.sum, axis=1) # equiv to df.sum(1) #作用在行上

2.applymap()

DataFrame.applymap：Apply a function elementwise on a whole DataFrame

在整個DataFrame上應(yīng)用函數(shù)

>>> df = pd.DataFrame(np.random.randn(3, 3)) >>> df0 1 2 0 -0.029638 1.081563 1.280300 1 0.647747 0.831136 -1.549481 2 0.513416 -0.884417 0.195343 >>> df = df.applymap(lambda x: '%.2f' % x) >>> df0 1 2 0 -0.03 1.08 1.28 1 0.65 0.83 -1.55 2 0.51 -0.88 0.20

3.map():

Series.map(arg,?na_action=None):Map values of Series using input correspondence (which can be a dict, Series, or function)

map()只要是作用將函數(shù)作用于一個Series的每一個元素，用法如下所示?

擴充：

DataFrame.aggregate（agg）:only perform aggregating type operations,只執(zhí)行聚合類型操作

DataFrame.transform:only perform transformating type operations,只執(zhí)行轉(zhuǎn)換類型操作

加載數(shù)據(jù)

• 可以看到數(shù)據(jù)包含了不同的訂單（order），以及訂單里的不同商品的數(shù)量（quantity）、單價（unit price）和總價（ext price）
• 現(xiàn)在我們的任務(wù)是為數(shù)據(jù)表添加一列，表示不同商品在所在訂單的價錢占比。
• 首先我們要獲得每個訂單的總花費。groupby可以實現(xiàn)。

df.groupby('order')["ext price"].sum()order 10001 576.12 10005 8185.49 10006 3724.49 Name: ext price, dtype: float64

?

?

• 這些新得到的數(shù)據(jù)如何與原始數(shù)據(jù)幀結(jié)合呢？ order_total = df.groupby('order')["ext price"].sum().rename("Order_Total").reset_index()df_1 = df.merge(order_total) df_1["Percent_of_Order"] = df_1["ext price"] / df_1["Order_Total"]

?

• 我們實現(xiàn)了目標（還多加了一列訂單總額），但是步驟比較多，有沒有更好的辦法呢？——主角出場:）

?tramsform:

df.groupby('order')["ext price"].transform('sum')0 576.12 1 576.12 2 576.12 3 8185.49 4 8185.49 5 8185.49 6 8185.49 7 8185.49 8 3724.49 9 3724.49 10 3724.49 11 3724.49 dtype: float64

?

• 不再是只顯示3個訂單的對應(yīng)項，而是保持了與原始數(shù)據(jù)集相同數(shù)量的項目，這樣就很好繼續(xù)了。這就是transform的獨特之處。

df["Order_Total"] = df.groupby('order')["ext price"].transform('sum') df["Percent_of_Order"] = df["ext price"] / df["Order_Total"]

甚至可以一步：?

df["Percent_of_Order"] = df["ext price"] / df.groupby('order')["extprice"].transform('sum')

?

參考：https://www.jianshu.com/p/509d7b97088c

總結(jié)

以上是生活随笔為你收集整理的pandas:apply(),applymap(),map()的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。