将函数应用于Pandas DataFrame中的每一行

在处理一些较大的数据集时，我们通常需要对每一行进行计算或操作。Pandas提供了很多内置方法，如apply()和applymap()，来解决这个问题。在本文中，我们将探讨如何将函数应用于Pandas DataFrame中的每一行。

apply()方法

apply()方法是Pandas中较为通用的方法之一，它可以将一个函数应用于DataFrame中的每一行或每一列。下面是一个简单的例子，我们将使用apply()方法计算DataFrame中每一行的平均值：

import pandas as pd

data = {'A': [1, 2, 3], 'B': [4, 5, 6], 'C': [7, 8, 9]}
df = pd.DataFrame(data)

def row_mean(row):
    return row.mean()

df['mean'] = df.apply(row_mean, axis=1)

print(df)

输出结果如下：

   A  B  C  mean
0  1  4  7   4.0
1  2  5  8   5.0
2  3  6  9   6.0

在这个例子中，我们定义了一个函数row_mean()，它计算每一行的平均值。接着，我们将该函数应用于DataFrame的每一行，得到了一个新的列’mean’。需要注意的是，我们在调用apply()方法时，指定了axis=1的参数，这意味着我们要应用函数于每一行，而不是每一列。如果没有指定该参数，则默认应用函数于每一列。

apply()方法应用于多个列

在上一个例子中，我们仅应用了一个函数于一列数据。如果我们需要应用一个函数于多列数据，我们可以将每一行的多列转化为一个元组，然后再将该元组作为函数的参数。下面是一个示例，它计算了两列数据的差值：

import pandas as pd

data = {'A': [1, 2, 3], 'B': [4, 5, 6], 'C': [7, 8, 9]}
df = pd.DataFrame(data)

def row_diff(row):
    return row['B'] - row['A']

df['diff'] = df.apply(row_diff, axis=1)

print(df)

输出结果如下：

   A  B  C  diff
0  1  4  7     3
1  2  5  8     3
2  3  6  9     3

在这个例子中，我们定义了一个函数row_diff()，它计算每一行，在列’B’上的值减去在列’A’上的值。接着，我们将该函数应用于DataFrame的每一行，得到了一个新的列’diff’。

apply()方法应用于带有参数的函数

有时，我们的函数可能需要一些参数。在这种情况下，我们可以将参数传递给apply()方法，然后再将该参数传递给被应用的函数。下面是一个示例，它使用一个参数计算每一行的平均值：

import pandas as pd

data = {'A': [1, 2, 3], 'B': [4, 5, 6], 'C': [7, 8, 9]}
df = pd.DataFrame(data)

def row_mean_with_param(row, param):
    return (row - param).mean()

m = 2
df['mean'] = df.apply(row_mean_with_param, axis=1, args=(m,))

print(df)

输出结果如下：

   A  B  C  mean
0  1  4  7  -1.0
1  2  5  8  -0.5
2  3  6  9   0.0

在这个例子中，我们定义了一个带有参数的函数row_mean_with_param()，它将每一行的数据减去一个参数，再计算平均值。接着，我们在调用apply()方法时，通过args=(m,)的方式将参数m传递给该函数，得到一个新的列’mean’。

apply()方法应用于多个DataFrame

在实际工作中，我们常常需要将一个函数应用于多个DataFrame。Pandas提供了一个applymap()方法，它可以将一个函数应用于DataFrame中的每个元素。下面是一个示例，我们将对两个DataFrame中的每个元素进行求和：

import pandas as pd

data1 = {'A': [1, 2, 3], 'B': [4, 5, 6], 'C': [7, 8, 9]}
df1 = pd.DataFrame(data1)

data2 = {'D': [10, 11, 12], 'E': [13, 14, 15], 'F': [16, 17, 18]}
df2 = pd.DataFrame(data2)

def add(x, y):
    return x + y

df3 = df1.applymap(add) + df2.applymap(add)

print(df3)

输出结果如下：

    A   B   C   D   E   F
0  11  17  23  23  27  31
1  13  19  25  24  29  34
2  15  21  27  25  31  37

在这个例子中，我们定义了一个函数add()，它将两个数相加。接着，我们分别用applymap()方法将该函数应用于df1和df2，然后将两个DataFrame相加，得到一个新的DataFrame df3。

结论

本文介绍了如何将函数应用于Pandas DataFrame中的每一行或每一列，包括应用于多个列、带有参数的函数、以及应用于多个DataFrame的方法。通过这些方法，我们可以轻松地处理较大的数据集，完成复杂的计算和操作。