pandas apply lambda|极客笔记

pandas apply lambda

在pandas中，我们经常需要对DataFrame中的某些列进行操作，但是有时候这些操作并不能直接使用内置的函数来完成。这时候就需要使用apply和lambda函数来实现对DataFrame的元素进行逐个处理。

apply函数的基本用法

apply函数是pandas中的一个高级函数，可以对DataFrame中的行或列进行操作。我们可以传入一个函数来对每个行或列的元素进行操作，也可以传入lambda函数来完成类似的操作。

下面我们举一个简单的示例来说明apply函数的基本用法：

import pandas as pd

# 创建一个包含3列的DataFrame
df = pd.DataFrame({
    'A': [1, 2, 3],
    'B': [4, 5, 6],
    'C': [7, 8, 9]
})

# 定义一个加5的函数
def add_5(x):
    return x + 5

# 对每一列应用add_5函数
df.apply(add_5)

上面的代码中，我们创建了一个DataFrame，然后定义了一个加5的函数add_5，最后使用apply函数将add_5函数应用到每一列上。运行这段代码可以得到如下的结果：

    A  B   C
0   6  9  12
1   7 10 13
2   8 11 14

可以看到，apply函数将add_5函数应用到每一列上，分别对每个元素进行加5的操作。

lambda函数的使用

lambda函数是一种匿名函数，可以用来简洁地定义一个函数。结合apply函数，我们可以很方便地对DataFrame的元素进行一些复杂的操作。

下面我们来举一个示例来说明lambda函数的使用：

import pandas as pd

# 创建一个包含3列的DataFrame
df = pd.DataFrame({
    'A': [1, 2, 3],
    'B': [4, 5, 6],
    'C': [7, 8, 9]
})

# 使用lambda函数对每一列求平方
df.apply(lambda x: x ** 2)

上面的代码中，我们创建了一个DataFrame，然后使用lambda函数来对每一列的元素求平方。运行这段代码可以得到如下的结果：

   A   B   C
0  1  16  49
1  4  25  64
2  9  36  81

可以看到，lambda函数被应用到每一列上，对每个元素进行了求平方的操作。

apply和lambda函数的结合使用

在实际应用中，我们经常会将apply和lambda函数结合使用，来进行更加灵活和复杂的操作。

下面我们举一个示例来说明apply和lambda函数的结合使用：

import pandas as pd

# 创建一个包含3列的DataFrame
df = pd.DataFrame({
    'A': [1, 2, 3],
    'B': [4, 5, 6],
    'C': [7, 8, 9]
})

# 使用lambda函数对每一行求和
df['sum'] = df.apply(lambda x: x['A'] + x['B'] + x['C'], axis=1)

上面的代码中，我们创建了一个DataFrame，然后使用lambda函数来对每一行的元素进行求和，然后将结果存储在新的列’sum’中。运行这段代码可以得到如下的结果：

   A  B  C  sum
0  1  4  7   12
1  2  5  8   15
2  3  6  9   18

可以看到，lambda函数被应用到每一行上，对每行的元素进行了求和的操作，并将结果存储在新的列中。

总结

在处理pandas中的DataFrame时，apply和lambda函数是非常有用的工具，可以帮助我们灵活地对DataFrame的元素进行逐个处理。

pandas apply lambda