NumPy 中 DataFrame.div 和 DataFrame.divide 在 Pandas 中的区别

在本文中，我们将介绍 Pandas 里的两个关于 DataFrame 的方法——DataFrame.div 和 DataFrame.divide 之间的差异。

阅读更多：Numpy 教程

DataFrame.div

使用 DataFrame.div 函数时，我们可以将一组数据除以另一组数据，例如：

import pandas as pd
import numpy as np

df1 = pd.DataFrame({'A': [10, 20, 30], 'B': [10, 10, 10], 'C': [10, 20, 30]})
df2 = pd.DataFrame({'A': [1, 2, 3], 'B': [1, 2, 3], 'C': [1, 2, 3]})

df1.div(df2)

这段代码输出：

      A     B     C
0  10.0  10.0  10.0
1  10.0   5.0  10.0
2  10.0  3.333333  10.0

其中 df1 和 df2 中的每一项相除得到了一个新的 DataFrame，我们可以看到：

• 0 行的数据是 df1 和 df2 中对应数据相除得到的；
• 1 行的数据是 df1 中 B 列和 df2 中 B 列对应数据的相除；
• 2 行的数据是 df1 中 B 列和 df2 中 B 列对应数据的相除，但数据类型是 float。

DataFrame.divide

DataFrame.divide 函数与 DataFrame.div 函数非常相似，不同之处在于，DataFrame.divide 接受额外的参数。

举个例子：

df1.divide(df2, fill_value=0)

这会得到：

      A     B     C
0  10.0  10.0  10.0
1  10.0   5.0  10.0
2  10.0  3.333333  10.0

这个结果和使用 DataFrame.div 得到的结果是一样的。

但是，不同之处在于我们可以提供一个 fill_value 参数。如果 df2 中有缺失值，我们可以使用 fill_value 参数来代替。举个例子：

df2 = pd.DataFrame({'A': [1, 2, np.nan], 'B': [1, np.nan, 3], 'C': [np.nan, np.nan, np.nan]})

df1.divide(df2, fill_value=0)

这段代码将输出：

       A     B    C
0  10.00  10.00  0.0
1  10.00   0.00  NaN
2   inf   3.333333 NaN

在这里，我们可以看到，df2 中有缺失数据，但我们使用了 fill_value=0，所以我们得到了非常好的结果。

总结

尽管 DataFrame.div 和 DataFrame.divide 中的参数略有不同，但它们的用法都非常类似，就是将一个 DataFrame 中的一组数据除以另一组数据。在使用时，我们可以根据情况选择使用哪一个函数，并且可以根据方法提供的选项参数自定义计算方法。