Python数据分析入门（六）：Pandas的函数应用

￡神魔★判官ぃ 2022-11-14 14:38 235阅读 0赞

**Python爬虫、数据分析、网站开发等案例教程视频免费在线观看**

https://space.bilibili.com/523606542

# [Python学习交流群：1039649593][Python_1039649593] #

# **apply和applymap** #

**1. 可直接使用NumPy的函数**

示例代码：

# Numpy ufunc 函数
    df = pd.DataFrame(np.random.randn(5,4) - 1)
    print(df)
    
    print(np.abs(df))

运行结果：

0         1         2         3
    0 -0.062413  0.844813 -1.853721 -1.980717
    1 -0.539628 -1.975173 -0.856597 -2.612406
    2 -1.277081 -1.088457 -0.152189  0.530325
    3 -1.356578 -1.996441  0.368822 -2.211478
    4 -0.562777  0.518648 -2.007223  0.059411
    
              0         1         2         3
    0  0.062413  0.844813  1.853721  1.980717
    1  0.539628  1.975173  0.856597  2.612406
    2  1.277081  1.088457  0.152189  0.530325
    3  1.356578  1.996441  0.368822  2.211478
    4  0.562777  0.518648  2.007223  0.059411

**2. 通过apply将函数应用到列或行上**

示例代码：

# 使用apply应用行或列数据
    #f = lambda x : x.max()
    print(df.apply(lambda x : x.max()))

运行结果：

0   -0.062413
    1    0.844813
    2    0.368822
    3    0.530325
    dtype: float64

注意指定轴的方向，默认axis=0，方向是列

示例代码：

# 指定轴方向，axis=1，方向是行
    print(df.apply(lambda x : x.max(), axis=1))

运行结果：

0    0.844813
    1   -0.539628
    2    0.530325
    3    0.368822
    4    0.518648
    dtype: float64

**3. 通过applymap将函数应用到每个数据上**

示例代码：

# 使用applymap应用到每个数据
    f2 = lambda x : '%.2f' % x
    print(df.applymap(f2))

运行结果：

0      1      2      3
    0  -0.06   0.84  -1.85  -1.98
    1  -0.54  -1.98  -0.86  -2.61
    2  -1.28  -1.09  -0.15   0.53
    3  -1.36  -2.00   0.37  -2.21
    4  -0.56   0.52  -2.01   0.06

# **排序** #

**1. 索引排序**

sort\_index()

排序默认使用升序排序，ascending=False 为降序排序

示例代码：

# Series
    s4 = pd.Series(range(10, 15), index = np.random.randint(5, size=5))
    print(s4)
    
    # 索引排序
    s4.sort_index() # 0 0 1 3 3

运行结果：

0    10
    3    11
    1    12
    3    13
    0    14
    dtype: int64
    
    0    10
    0    14
    1    12
    3    11
    3    13
    dtype: int64

对DataFrame操作时注意轴方向

示例代码：

# DataFrame
    df4 = pd.DataFrame(np.random.randn(3, 5), 
                       index=np.random.randint(3, size=3),
                       columns=np.random.randint(5, size=5))
    print(df4)
    
    df4_isort = df4.sort_index(axis=1, ascending=False)
    print(df4_isort) # 4 2 1 1 0

运行结果：

1         4         0         1         2
    2 -0.416686 -0.161256  0.088802 -0.004294  1.164138
    1 -0.671914  0.531256  0.303222 -0.509493 -0.342573
    1  1.988321 -0.466987  2.787891 -1.105912  0.889082
    
              4         2         1         1         0
    2 -0.161256  1.164138 -0.416686 -0.004294  0.088802
    1  0.531256 -0.342573 -0.671914 -0.509493  0.303222
    1 -0.466987  0.889082  1.988321 -1.105912  2.787891

**2. 按值排序**

sort\_values(by='column name')

根据某个唯一的列名进行排序，如果有其他相同列名则报错。

示例代码：

# 按值排序
    df4_vsort = df4.sort_values(by=0, ascending=False)
    print(df4_vsort)

运行结果：

1         4         0         1         2
    1  1.988321 -0.466987  2.787891 -1.105912  0.889082
    1 -0.671914  0.531256  0.303222 -0.509493 -0.342573
    2 -0.416686 -0.161256  0.088802 -0.004294  1.164138

# **处理缺失数据** #

示例代码：

df_data = pd.DataFrame([np.random.randn(3), [1., 2., np.nan],
                           [np.nan, 4., np.nan], [1., 2., 3.]])
    print(df_data.head())

运行结果：

0         1         2
    0 -0.281885 -0.786572  0.487126
    1  1.000000  2.000000       NaN
    2       NaN  4.000000       NaN
    3  1.000000  2.000000  3.000000

**1. 判断是否存在缺失值：isnull()**

示例代码：

# isnull
    print(df_data.isnull())

运行结果：

0      1      2
    0  False  False  False
    1  False  False   True
    2   True  False   True
    3  False  False  False

**2. 丢弃缺失数据：dropna()**

根据axis轴方向，丢弃包含NaN的行或列。 示例代码：

# dropna
    print(df_data.dropna())
    
    print(df_data.dropna(axis=1))

运行结果：

0         1         2
    0 -0.281885 -0.786572  0.487126
    3  1.000000  2.000000  3.000000
    
              1
    0 -0.786572
    1  2.000000
    2  4.000000
    3  2.000000

**3. 填充缺失数据：fillna()**

示例代码：

# fillna
    print(df_data.fillna(-100.))

运行结果：

0         1           2
    0   -0.281885 -0.786572    0.487126
    1    1.000000  2.000000 -100.000000
    2 -100.000000  4.000000 -100.000000
    3    1.000000  2.000000    3.000000

[Python_1039649593]: https://jq.qq.com/?_wv=1027&k=SBLaYU2c