1、介紹

apply函數是

pandas里面所有函數中自由度最高的函數。該函數如下：

DataFrame.apply(func, axis=0, broadcast=False, raw=False, reduce=None, args=(), **kwds)

該函數最有用的是第一個參數，這個參數是函數，相當于C/C++的函數指針。

這個函數需要自己實現，函數的傳入參數根據axis來定，比如axis = 1，就會把一行數據作為Series的數據 結構傳入給自己實現的函數中，我們在函數中實現對Series不同屬性之間的計算，返回一個結果，則apply函數 會自動遍歷每一行DataFrame的數據，最后將所有結果組合成一個Series數據結構并返回。

2、樣例

import numpy as npimport pandas as pd

f = lambda x: x.max()-x.min()

df = pd.DataFrame(np.random.randn(4,3),columns=list('bde'),index=['utah', 'ohio', 'texas', 'oregon'])print(df)

t1 = df.apply(f)print(t1)

t2 = df.apply(f, axis=1)print(t2)

輸出結果如下所示：

b d e

utah 1.106486 0.101113 -0.494279ohio 0.955676 -1.889499 0.522151texas 1.891144 -0.670588 0.106530oregon -0.062372 0.991231 0.294464b 1.953516d 2.880730e 1.016430dtype: float64

utah 1.600766ohio 2.845175texas 2.561732oregon 1.053603dtype: float64

3、性能比較

df = pd.DataFrame({'a': np.random.randn(6), 'b': ['foo', 'bar'] * 3, 'c': np.random.randn(6)})def my_test(a, b): return a + bprint(df)

df['Value'] = df.apply(lambda row: my_test(row['a'], row['c']), axis=1) # 方法1print(df)

df['Value2'] = df['a'] + df['c'] # 方法2print(df)

輸出結果如下：

a b c

0 -1.194841 foo 1.648214

1 -0.377554 bar 0.496678

2 1.524940 foo -1.245333

3 -0.248150 bar 1.526515

4 0.283395 foo 1.282233

5 0.117674 bar -0.094462

a b c Value

0 -1.194841 foo 1.648214 0.453374

1 -0.377554 bar 0.496678 0.119124

2 1.524940 foo -1.245333 0.279607

3 -0.248150 bar 1.526515 1.278365

4 0.283395 foo 1.282233 1.565628

5 0.117674 bar -0.094462 0.023212

a b c Value Value2

0 -1.194841 foo 1.648214 0.453374 0.453374

1 -0.377554 bar 0.496678 0.119124 0.119124

2 1.524940 foo -1.245333 0.279607 0.279607

3 -0.248150 bar 1.526515 1.278365 1.278365

4 0.283395 foo 1.282233 1.565628 1.565628

5 0.117674 bar -0.094462 0.023212 0.023212

注意：當數據量很大時，對于簡單的邏輯處理建議方法2（個人處理幾百M數據集時，方法1花時200s左右，方法2花時10s）！！！

http://shenzhen.offcn.com/

總結

以上是生活随笔為你收集整理的python中raw函数_Python apply函数的全部內容，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站內容還不錯，歡迎將生活随笔推薦給好友。