「目录」

• 6.1 => Pandas的数据结构
• 6.2 => Pandas的基本功能

--------> reindex重新索引

--------> drop丢弃数据

--------> 索引和选取

--------> 算术运算

--------> 函数映射

• 6.3 => 数学和统计方法

这一篇讲了如何将函数方法映射到DataFrame。每天巩固一小点，向前一小步[奋斗]。

numpy方法

Numpy的元素级数组方法也可以用于操作pandas对象：

In [1]: import numpy as np

In [2]: import pandas as pd

In [3]: frame = pd.DataFrame(np.random.randn(4, 3), index=['Shanghai', 'Beijing', 'Tokyo', 'New York'], columns=['b', 'd', 'e'])

In [4]: frame
Out[4]:
                 b         d         e
Shanghai  0.327023 -0.360876  0.334496
Beijing   0.814445 -1.479851  0.522563
Tokyo    -0.239327 -0.219917  0.137967
New York  1.753754 -0.263707  2.104236

np.abs可以对DataFrame中每个元素取绝对值：

In [5]: np.abs(frame)
Out[5]:
                 b         d         e
Shanghai  0.327023  0.360876  0.334496
Beijing   0.814445  1.479851  0.522563
Tokyo     0.239327  0.219917  0.137967
New York  1.753754  0.263707  2.104236

apply方法

apply方法可以将函数应用到DataFrame的各列或各行上：

In [6]: f = lambda x: x.max() - x.min()

In [7]: frame.apply(f)
Out[7]:
b    1.993081
d    1.259934
e    1.966269
dtype: float64

默认会在每列上执行，如果apply中传递了axis='columns'参数，则函数会在每行执行：

In [8]: frame.apply(f, axis='columns')
Out[8]:
Shanghai    0.695372
Beijing     2.294295
Tokyo       0.377295
New York    2.367943
dtype: float64

applymap方法

在原书中作者说元素级的python函数使用applymap即可，或许你仍然没理解apply和applymap之间的区别，其实是酱紫的[可爱]：

apply作用于DataFrame的行或列；applymap作用于DataFrame中的每一个元素（数据）。

假如我们想让DataFrame中的每个数据保留两位小数：

In [9]: format = lambda x: '%.2f' % x

In [10]: frame.applymap(format)
Out[10]:
              b      d     e
Shanghai   0.33  -0.36  0.33
Beijing    0.81  -1.48  0.52
Tokyo     -0.24  -0.22  0.14
New York   1.75  -0.26  2.10

这篇笔记结束了，欢迎你评论区和我交流啊！