当前位置：极客笔记 > Pandas > Pandas 问答 > 如何在 Pandas 中使用apply函数结合 lambda 函数处理多个列

如何在 Pandas 中使用apply函数结合 lambda 函数处理多个列

如何在 Pandas 中使用apply函数结合 lambda 函数处理多个列

参考：pandas apply lambda multiple columns

在数据分析和数据处理中，Pandas 是 Python 中一个非常重要的库。它提供了大量的功能来方便地处理和分析数据。其中，apply() 函数是一个非常强大的工具，它可以让我们对 DataFrame 或 Series 应用一个函数。当我们需要对多个列使用 lambda 函数时，apply() 尤其有用。本文将详细介绍如何在 Pandas 中使用 apply() 函数结合 lambda 函数处理多个列，并提供多个示例代码以帮助理解和实践。

1. 基本概念

在深入示例之前，我们首先需要理解一些基本概念。

1.1 DataFrame 和 Series

Pandas 中的 DataFrame 是一个二维标签数据结构，你可以把它想象成一个 SQL 表格，或者是一个字典类型的对象。它是由多个列组成的，每一列可以是不同的值类型（数值、字符串、布尔值等）。

Series 是 Pandas 中的一维标签数组，可以包含任何数据类型（整数、字符串、浮点数、Python 对象等）。Series 可以从列表、字典等构造。

1.2 apply() 函数

apply() 函数用于应用一个函数沿 DataFrame 的轴，通常用于行或列操作。当使用 apply() 函数时，你可以指定 axis 参数，axis=0 表示应用函数到每一列，axis=1 表示应用函数到每一行。

1.3 lambda 函数

lambda 函数是 Python 中的匿名函数，即没有具体名称的小函数。它仅由单个语句组成，该语句的结果就是返回值。在 Pandas 的 apply 函数中使用 lambda 函数可以让代码更加简洁。

2. 使用 apply() 和 lambda 函数处理多个列

接下来，我们将通过具体的示例来展示如何在 Pandas 中使用 apply() 和 lambda 函数处理多个列。

示例代码 1: 创建 DataFrame

import pandas as pd

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

Output:

如何在 Pandas 中使用apply函数结合 lambda 函数处理多个列

示例代码 2: 对多列应用 lambda 函数

import pandas as pd

data = {
    'A': [10, 20, 30],
    'B': [40, 50, 60],
    'C': ['pandasdataframe.com', 'pandasdataframe.com', 'pandasdataframe.com']
}
df = pd.DataFrame(data)
result = df.apply(lambda x: x['A'] + x['B'] if 'pandasdataframe.com' in x['C'] else x['A'], axis=1)
print(result)

Output:

如何在 Pandas 中使用apply函数结合 lambda 函数处理多个列

示例代码 3: 修改多列数据

import pandas as pd

data = {
    'A': [100, 200, 300],
    'B': [400, 500, 600],
    'C': ['pandasdataframe.com', 'pandasdataframe.com', 'pandasdataframe.com']
}
df = pd.DataFrame(data)
df[['A', 'B']] = df.apply(lambda x: [x['A'] * 2, x['B'] * 2] if 'pandasdataframe.com' in x['C'] else [x['A'], x['B']], axis=1, result_type='expand')
print(df)

Output:

如何在 Pandas 中使用apply函数结合 lambda 函数处理多个列

示例代码 4: 使用条件语句修改列值

import pandas as pd

data = {
    'A': [1000, 2000, 3000],
    'B': [4000, 5000, 6000],
    'C': ['pandasdataframe.com', 'pandasdataframe.com', 'pandasdataframe.com']
}
df = pd.DataFrame(data)
df['A'] = df.apply(lambda x: x['A'] + 100 if 'pandasdataframe.com' in x['C'] else x['A'], axis=1)
print(df)

Output:

如何在 Pandas 中使用apply函数结合 lambda 函数处理多个列

示例代码 5: 结合多列生成新列

import pandas as pd

data = {
    'A': [5, 10, 15],
    'B': [20, 25, 30],
    'C': ['pandasdataframe.com', 'pandasdataframe.com', 'pandasdataframe.com']
}
df = pd.DataFrame(data)
df['D'] = df.apply(lambda x: x['A'] * x['B'] if 'pandasdataframe.com' in x['C'] else 0, axis=1)
print(df)

Output:

如何在 Pandas 中使用apply函数结合 lambda 函数处理多个列

示例代码 6: 过滤数据

import pandas as pd

data = {
    'A': [50, 100, 150],
    'B': [200, 250, 300],
    'C': ['pandasdataframe.com', 'pandasdataframe.com', 'pandasdataframe.com']
}
df = pd.DataFrame(data)
filtered_df = df[df.apply(lambda x: x['A'] > 50 and 'pandasdataframe.com' in x['C'], axis=1)]
print(filtered_df)

Output:

如何在 Pandas 中使用apply函数结合 lambda 函数处理多个列

示例代码 7: 对列进行排序

import pandas as pd

data = {
    'A': [500, 1000, 1500],
    'B': [2000, 2500, 3000],
    'C': ['pandasdataframe.com', 'pandasdataframe.com', 'pandasdataframe.com']
}
df = pd.DataFrame(data)
df_sorted = df.apply(lambda x: sorted([x['A'], x['B']]) if 'pandasdataframe.com' in x['C'] else [x['A'], x['B']], axis=1, result_type='expand')
print(df_sorted)

Output:

如何在 Pandas 中使用apply函数结合 lambda 函数处理多个列

示例代码 8: 计算列的平均值

import pandas as pd

data = {
    'A': [5000, 10000, 15000],
    'B': [20000, 25000, 30000],
    'C': ['pandasdataframe.com', 'pandasdataframe.com', 'pandasdataframe.com']
}
df = pd.DataFrame(data)
df['Average'] = df.apply(lambda x: (x['A'] + x['B']) / 2 if 'pandasdataframe.com' in x['C'] else 0, axis=1)
print(df)

Output:

如何在 Pandas 中使用apply函数结合 lambda 函数处理多个列

示例代码 9: 创建复合条件的新列

import pandas as pd

data = {
    'A': [5, 10, 15],
    'B': [20, 25, 30],
    'C': ['pandasdataframe.com', 'pandasdataframe.com', 'pandasdataframe.com']
}
df = pd.DataFrame(data)
df['New_Column'] = df.apply(lambda x: x['A'] + x['B'] if x['A'] > 10 and 'pandasdataframe.com' in x['C'] else 0, axis=1)
print(df)

Output:

如何在 Pandas 中使用apply函数结合 lambda 函数处理多个列

示例代码 10: 使用多个条件修改多列

import pandas as pd

data = {
    'A': [100, 200, 300],
    'B': [400, 500, 600],
    'C': ['pandasdataframe.com', 'pandasdataframe.com', 'pandasdataframe.com']
}
df = pd.DataFrame(data)
df[['A', 'B']] = df.apply(lambda x: [x['A'] * 3, x['B'] * 3] if 'pandasdataframe.com' in x['C'] and x['A'] > 150 else [x['A'], x['B']], axis=1, result_type='expand')
print(df)

Output:

如何在 Pandas 中使用apply函数结合 lambda 函数处理多个列

示例代码 11: 根据条件创建新的分类列

import pandas as pd

data = {
    'A': [100, 200, 300],
    'B': [400, 500, 600],
    'C': ['pandasdataframe.com', 'pandasdataframe.com', 'pandasdataframe.com']
}
df = pd.DataFrame(data)
df['Category'] = df.apply(lambda x: 'High' if x['A'] > 250 and 'pandasdataframe.com' in x['C'] else 'Low', axis=1)
print(df)

Output:

如何在 Pandas 中使用apply函数结合 lambda 函数处理多个列

示例代码 12: 对多列应用复杂的数学函数

import pandas as pd
import numpy as np

data = {
    'A': [10, 20, 30],
    'B': [40, 50, 60],
    'C': ['pandasdataframe.com', 'pandasdataframe.com', 'pandasdataframe.com']
}
df = pd.DataFrame(data)
df['Log_A'] = df.apply(lambda x: np.log(x['A']) if 'pandasdataframe.com' in x['C'] else x['A'], axis=1)
df['Sqrt_B'] = df.apply(lambda x: np.sqrt(x['B']) if 'pandasdataframe.com' in x['C'] else x['B'], axis=1)
print(df)

Output:

如何在 Pandas 中使用apply函数结合 lambda 函数处理多个列

示例代码 13: 合并多列为一个字符串

import pandas as pd

data = {
    'A': [1, 2, 3],
    'B': [4, 5, 6],
    'C': ['pandasdataframe.com', 'pandasdataframe.com', 'pandasdataframe.com']
}
df = pd.DataFrame(data)
df['Combined'] = df.apply(lambda x: f"{x['A']}_{x['B']}_{x['C']}" if 'pandasdataframe.com' in x['C'] else f"{x['A']}_{x['B']}", axis=1)
print(df)

Output:

如何在 Pandas 中使用apply函数结合 lambda 函数处理多个列

示例代码 14: 应用条件逻辑以决定数据转换

import pandas as pd

data = {
    'A': [100, 200, 300],
    'B': [400, 500, 600],
    'C': ['pandasdataframe.com', 'pandasdataframe.com', 'pandasdataframe.com']
}
df = pd.DataFrame(data)
df['Transformed_A'] = df.apply(lambda x: x['A'] ** 2 if 'pandasdataframe.com' in x['C'] and x['A'] > 100 else x['A'], axis=1)
print(df)

Output:

如何在 Pandas 中使用apply函数结合 lambda 函数处理多个列

示例代码 15: 使用 apply() 来过滤 DataFrame

import pandas as pd

data = {
    'A': [100, 200, 300],
    'B': [400, 500, 600],
    'C': ['pandasdataframe.com', 'pandasdataframe.com', 'pandasdataframe.com']
}
df = pd.DataFrame(data)
filtered_df = df[df.apply(lambda x: x['A'] < 300 and 'pandasdataframe.com' in x['C'], axis=1)]
print(filtered_df)

Output:

如何在 Pandas 中使用apply函数结合 lambda 函数处理多个列

示例代码 16: 对 DataFrame 的多个列进行统计分析

import pandas as pd

data = {
    'A': [10, 20, 30],
    'B': [40, 50, 60],
    'C': ['pandasdataframe.com', 'pandasdataframe.com', 'pandasdataframe.com']
}
df = pd.DataFrame(data)
stats = df.apply(lambda x: {"mean": x.mean(), "sum": x.sum()} if 'pandasdataframe.com' in x['C'] else {}, axis=0)
print(stats)

示例代码 17: 创建基于多列条件的复杂逻辑

import pandas as pd

data = {
    'A': [5, 15, 25],
    'B': [35, 45, 55],
    'C': ['pandasdataframe.com', 'pandasdataframe.com', 'pandasdataframe.com']
}
df = pd.DataFrame(data)
df['Complex'] = df.apply(lambda x: x['A'] + x['B'] if x['A'] > 10 and 'pandasdataframe.com' in x['C'] else x['B'], axis=1)
print(df)

Output:

如何在 Pandas 中使用apply函数结合 lambda 函数处理多个列

示例代码 18: 使用 apply() 和 lambda 来清洗数据

import pandas as pd

data = {
    'A': [' 100', '200 ', ' 300 '],
    'B': ['400', ' 500', '600 '],
    'C': ['pandasdataframe.com', 'pandasdataframe.com', 'pandasdataframe.com']
}
df = pd.DataFrame(data)
df_cleaned = df.apply(lambda x: x.str.strip() if x.dtype == "object" else x)
print(df_cleaned)

Output:

如何在 Pandas 中使用apply函数结合 lambda 函数处理多个列

示例代码 19: 对多列进行条件格式化

import pandas as pd

data = {
    'A': [1000, 2000, 3000],
    'B': [4000, 5000, 6000],
    'C': ['pandasdataframe.com', 'pandasdataframe.com', 'pandasdataframe.com']
}
df = pd.DataFrame(data)
df_formatted = df.apply(lambda x: f"{x['A']:,.2f} - {x['B']:,.2f}" if 'pandasdataframe.com' in x['C'] else f"{x['A']} - {x['B']}", axis=1)
print(df_formatted)

Output:

如何在 Pandas 中使用apply函数结合 lambda 函数处理多个列

示例代码 20: 使用多列数据创建新的 DataFrame

import pandas as pd

data = {
    'A': [10, 20, 30],
    'B': [40, 50, 60],
    'C': ['pandasdataframe.com', 'pandasdataframe.com', 'pandasdataframe.com']
}
df = pd.DataFrame(data)
new_df = pd.DataFrame(df.apply(lambda x: {'New_A': x['A'] * 2, 'New_B': x['B'] * 2} if 'pandasdataframe.com' in x['C'] else {'New_A': x['A'], 'New_B': x['B']}, axis=1).tolist())
print(new_df)

Output:

如何在 Pandas 中使用apply函数结合 lambda 函数处理多个列

以上示例展示了如何在 Pandas 中使用 apply() 函数和 lambda 表达式来处理多列数据。通过这些示例，可以看到 apply() 函数的灵活性和强大功能，使得数据处理变得更加高效和直观。

Camera课程

Camera API2 教程

API2 教程
Camera 性能教程

Perf 教程
Camera Native Framework 教程

Native FW 教程
Camera QCOM ISP 教程

ISP 教程
Camera QCOM Sensor 教程

Sensor 教程

Python教程

Python 教程

Python 教程
NumPy 教程

NumPy 教程
Django 教程

Django 教程

Java教程

Java 教程

Java 教程

Web教程

JavaScript 教程

JavaScript 教程
jQuery 教程

jQuery 教程
CSS 教程

CSS 教程
PHP 教程

PHP 教程
Laravel 教程

Laravel 教程
TypeScript 教程

TypeScript 教程
WordPress 教程

WordPress 教程

数据库教程

SQL 教程

SQL 教程
SQLite 教程

SQLite 教程
MySQL 教程

MySQL 教程
PL/SQL 教程

PL/SQL 教程
MongoDB 教程

MongoDB 教程

图形图像教程

OpenCV 教程

OpenCV 教程

办公软件教程

Excel 教程

Excel 教程

Linux教程

Linux命令全集

Linux命令全集
Linux内核API

Linux内核API
LVGL 教程

LVGL 教程

计算机教程

操作系统 教程

操作系统 教程
计算机网络 教程

计算机网络 教程
C语言 教程

C语言 教程
C++ 教程

C++ 教程
Swift 教程

Swift 教程

大数据教程

Hadoop 教程

Hadoop 教程
Spark 教程

Spark 教程
Scala 教程

Scala 教程

开发工具教程

Git 教程

Git 教程
Jenkins 教程

Jenkins 教程
ChatGPT 教程

ChatGPT 教程
IntelliJ 教程

IntelliJ 教程