python中pandas操作apply返回多列的實(shí)現(xiàn)
我們可以用DataFrame的apply函數(shù)實(shí)現(xiàn)對(duì)多列，多行的操作。
需要記住的是，參數(shù)axis設(shè)為1是對(duì)列進(jìn)行操作，參數(shù)axis設(shè)為0是對(duì)行操作。默認(rèn)是對(duì)行操作。
apply 返回多列
# height = [70, 90, 100, 120, 140, 160, 180, 200，220，240， 260] # 長(zhǎng)度為 11 # df.shape ? (1000, 11) # 對(duì)df的每一行的每一個(gè)元素操作，然后再返回多列 #----------返回多列----------------- df = df.apply(lambda x: pd.Series([math.atan(i[0]/(i[1])*180/math.pi for i in zip(height, x)]).astype(float), axis=1) .rename(columns=dict(zip(list(range(0, 11)), df.columns))) #df['slope'] = df_10min.apply(lambda x: math.atan(210 / (x['ws_260'] - x['ws_50'] + 1e-7))*180/math.pi, axis=1)
import pandas as pd
df_tmp = pd.DataFrame([
? ? {"a":"data1", "cnt":100},{"a":"data2", "cnt":200},
])
df_tmp
a?? ?cnt
data1?? ?100
data2?? ?200
方法一：使用apply 的參數(shù)result_type 來處理
def formatrow(row):
? ? a = row["a"] + str(row["cnt"])
? ? b = str(row["cnt"]) + row["a"]
? ? return a, b?
?
df_tmp[["fomat1", "format2"]] = df_tmp.apply(formatrow, axis=1, result_type="expand")
df_tmp
a?? ?cnt?? ?fomat1?? ?format2
data1?? ?100?? ?data1100?? ?100data1
data2?? ?200?? ?data2200?? ?200data2
方法一：使用zip打包返回結(jié)果來處理
df_tmp["fomat1-1"], df_tmp["format2-2"] = zip(*df_tmp.apply(formatrow, axis=1))
df_tmp
a?? ?cnt?? ?fomat1?? ?format2?? ?fomat1-1?? ?format2-2
data1?? ?100?? ?data1100?? ?100data1?? ?data1100?? ?100data1
data2?? ?200?? ?data2200?? ?200data2?? ?data2200?? ?200data2生成新列
現(xiàn)在有如下一個(gè)DataFrame：
np.random.seed(1)
df = pd.DataFrame(np.random.randn(4,2), columns=['A', 'B'])
df
>>>
A B
0 1.624345 -0.611756
1 -0.528172 -1.072969
2 0.865408 -2.301539
3 1.744812 -0.761207
對(duì)A, B兩列操作，生成C列, 其中C是字符串，由A ± B組成。下面看一下結(jié)果就明白了。
df['C'] = df.apply(lambda x: '{:.2f}±{:.2f}'.format(x['A'], x['B']), axis=1)
看一下效果
A B C
0 1.624345 -0.611756 1.62±-0.61
1 -0.528172 -1.072969 -0.53±-1.07
2 0.865408 -2.301539 0.87±-2.30
3 1.744812 -0.761207 1.74±-0.76
多行操作舉例
同理可以作用在多行上。
# 對(duì)第 10 行進(jìn)行操作，基于第2、3兩行
df.loc[10] = df.apply(lambda x: '{:.2f}±{:.2f}'.format(x[2], x[3]) )
看一下實(shí)現(xiàn)的效果
A B
0 1.624345 -0.611756
1 -0.528172 -1.072969
2 0.865408 -2.301539
3 1.744812 -0.761207
10 0.87±1.74 -2.30±-0.76
參考鏈接
[1] pandas的DataFrame使用apply實(shí)現(xiàn)對(duì)多列，多行操作 2021.12
[2] pandas 的apply返回多列，并賦值 2020.4
到此這篇關(guān)于python中pandas操作apply返回多列的實(shí)現(xiàn)的文章就介紹到這了,更多相關(guān)pandas apply返回多列內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！
相關(guān)文章
python實(shí)現(xiàn)簡(jiǎn)單遺傳算法
這篇文章主要為大家詳細(xì)介紹了python實(shí)現(xiàn)簡(jiǎn)單的遺傳算法，具有一定的參考價(jià)值，感興趣的小伙伴們可以參考一下2018-03-03
Python標(biāo)準(zhǔn)庫(kù)pickle的簡(jiǎn)單使用
本文主要介紹了Python標(biāo)準(zhǔn)庫(kù)pickle的簡(jiǎn)單使用，文中通過示例代碼介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值，需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧2023-05-05
python GUI庫(kù)圖形界面開發(fā)之PyQt5結(jié)合Qt Designer創(chuàng)建信號(hào)與槽的詳細(xì)方法與實(shí)例
這篇文章主要介紹了python GUI庫(kù)圖形界面開發(fā)之PyQt5結(jié)合Qt Designer創(chuàng)建信號(hào)與槽的詳細(xì)方法與實(shí)例,需要的朋友可以參考下2020-03-03
這篇文章主要介紹了python滲透測(cè)試linux密碼激活的相關(guān)知識(shí)，通過一個(gè)crypt的示例給大家介紹的非常詳細(xì)，對(duì)大家學(xué)習(xí)python滲透知識(shí)有很大的幫助,需要的朋友可以參考下2021-05-05
Win10下用Anaconda安裝TensorFlow(圖文教程)
這篇文章主要介紹了Win10下用Anaconda安裝TensorFlow(圖文教程)，文中通過示例代碼介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值，需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧2020-06-06
關(guān)于Torch?torchvision?Python版本對(duì)應(yīng)關(guān)系說明
這篇文章主要介紹了關(guān)于Torch?torchvision?Python版本對(duì)應(yīng)關(guān)系說明，具有很好的參考價(jià)值，希望對(duì)大家有所幫助。如有錯(cuò)誤或未考慮完全的地方，望不吝賜教2022-05-05
本文主要介紹了python因子分析的實(shí)例，這里舉一個(gè)因子分析的具體的例子,?看一下因子分析是如何進(jìn)行的，具有一定的參考價(jià)值，感興趣的小伙伴們可以參考一下2022-03-03
如何利用Tensorflow2進(jìn)行貓狗分類識(shí)別
圖像分類是根據(jù)圖像的語(yǔ)義信息將不同類別圖像區(qū)分開來,是計(jì)算機(jī)視覺中重要的基本問題,下面這篇文章主要給大家介紹了關(guān)于如何利用Tensorflow2進(jìn)行貓狗分類識(shí)別的相關(guān)資料,需要的朋友可以參考下2022-06-06
Win10系統(tǒng)下Pytorch環(huán)境的搭建過程
今天給大家?guī)淼氖顷P(guān)于Python的相關(guān)知識(shí),文章圍繞著Win10系統(tǒng)Pytorch環(huán)境搭建過程展開,文中有非常詳細(xì)的介紹及圖文示例,需要的朋友可以參考下2021-06-06
這篇文章主要為大家詳細(xì)介紹了用python實(shí)現(xiàn)打磚塊小游戲，文中示例代碼介紹的非常詳細(xì)，具有一定的參考價(jià)值，感興趣的小伙伴們可以參考一下2022-05-05