文章目錄

• 一、apply|applymap|map 異同分析
• 二、apply 與 grounpy 的綜合運用

一、apply|applymap|map 異同分析

import numpy as np
import pandas as pd

ran = np.random.randint(10,size=(5,5))
ran
array(
 
[[5, 6, 7, 0, 0],
       [3, 4, 2, 9, 2],
       [7, 3, 2, 0, 6],
       [2, 3, 5, 1, 7],
       [1, 5, 9, 4, 7]])

data_test = pd.DataFrame(data=ran,columns = ["A","B","C","D","E"],index=[1,2,3,4,5])

# 一、匿名函式
nm = lambda x:x*x

# 1、applymap方法：作用在該資料框的每一個元素，讓所有元素平方
data_test.applymap(nm)

    A   B   C   D   E
1
 
  25  36  49   0   0
2   9  16   4  81   4
3  49   9   4   0  36
4   4   9  25   1  49
5   1  25  81  16  49
 
 # 2、 apply方法，作用在該資料框的指定列元素(預設引數 axis = 0 表示對列操作)
data_test.apply(nm)

    A   B   C   D   E
1  25  36  49   0   0
2   9  16   4  81   4
3  49   9   4   0  36
4   4   9  25   1  49
5   1  25  81  16  49

# 3、 apply 方法，作用於資料框的行 axis = 1,
 
data_test.apply(nm,axis = 1)
    A   B   C   D   E
1  25  36  49   0   0
2   9  16   4  81   4
3  49   9   4   0  36
4   4   9  25   1  49
5   1  25  81  16  49

# 4、 map 方法  :map 方法類似於：apply的 預設axis =0

\```
注意：這裡使用apply，和applympa函式的效果是一致的，但是函式作用的物件不同，該匿名函式的引數x既可以是某個元素值，也可以是該資料框的某列，也說明了資料框的列可以進行加減乘除運算
\```

# 二、 匿名函式 2  ：效果保留小數點後兩位小數
format = lambda x :"%.2f"%x

# 2.1 使用applymap函式
data_test.applymap(format)
      A     B     C     D     E
1  5.00  6.00  7.00  0.00  0.00
2  3.00  4.00  2.00  9.00  2.00
3  7.00  3.00  2.00  0.00  6.00
4  2.00  3.00  5.00  1.00  7.00
5  1.00  5.00  9.00  4.00  7.00

# 2.1 使用 apply函式 ：這時，該函式只能作用於某列，
                      #如果沒有指定某列，直接作用在資料框就會報錯。
data_test.A.apply(format)
1    5.00
2    3.00
3    7.00
4    2.00
5    1.00
Name: A, dtype: object

二、apply 與 grounpy 的綜合運用

df=pd.DataFrame({'key':list('ABCABC'),'data1':range(6),'data2':np.random.randint(1,8,size=(6,))})

\```
分別用applay,agg和transform 三個函式去處理分組物件
\```
# 1、建立以 key列的分組的迭代器
grouped = df.groupby("key")

# 2、
for (key,group) in grouped:
     print(key)
     print(group)
 
A
  key  data1  data2
0   A      0      4
3   A      3      5
B
  key  data1  data2
1   B      1      1
4   B      4      5
C
  key  data1  data2
2   C      2      2
5   C      5      4

# 一、使用apply聚合   sum函式，max函式，min函式
grouped.apply(sum)

	key	data1	data2
key			
A	AA	3	8
B	BB	5	7
C	CC	7	12

# 二、使用agg聚合
grouped.agg(sum)

	data1	data2
key		
A	3	9
B	5	6
C	7	6

# 三、使用 transform 聚合
	data1	data2
0	3	8
1	5	7
2	7	12
3	3	8
4	5	7
5	7	12

總結：
1、agg的作用就是起到聚合分組函式的功能
2、apply處理的是分組後，傳入apply的函式的DataFrame的所有列。
3、transform和apply及agg的區別就很清楚了，它是把所有列求和的值， 然後再返回原資料結構，所以返回的資料結構大小是不變的，這一點有其很特殊的地位。

# agg函式輸入 list 或 字典
group.agg(['min',np.median,max])
group.agg({'data1':'min','data2':'max'})


	data1	data2
min	median	max	min	median	max
key						
A	0	1.5	3	3	4.0	5
B	1	2.5	4	0	3.5	7
C	2	3.5	5	3	6.0	9

	data1	data2
key		
A	0	5
B	1	5
C	2	4


# 定義 一個處理分組資料的函式
def sum_transform(grouped):
    grouped['sum_data1'] = grouped.data1.sum()
    grouped['sum_data1'] = grouped.data2.sum()
    return grouped

group.apply(sum_transform)
# 總結：三個方法中，apply是最靈活的，但是對於分組資料的聚合，用agg是最方便的，對於分組轉換和展開，transform是最方便的，各有所長。