DataFrame中apply與applymap方法的案例分析

dataframe廣播

廣播機制我們其實并不陌生， 我們在之前介紹numpy的專題文章當(dāng)中曾經(jīng)介紹過廣播。當(dāng)我們對兩個尺寸不一致的數(shù)組進行運算的時候，系統(tǒng)會自動將其中維度較小的那個填充成和另外一個一樣再進行計算。

比如我們將一個二維數(shù)組減去一個一維數(shù)組，numpy會先將一位數(shù)組拓展到二維之后再進行減法運算?？雌饋砭拖袷嵌S數(shù)組的每一行分別減去了這一個一維數(shù)組一樣?？梢岳斫獬晌覀儗p去這一個一維數(shù)組的操作廣播到了二維數(shù)組的每一行或者是每一列當(dāng)中。

在上面這個例子當(dāng)中我們創(chuàng)建了一個numpy的數(shù)組，然后減去了它的第一行。我們對比下最后的結(jié)果會發(fā)現(xiàn)，arr數(shù)組當(dāng)中的每一行都減去了它的第一行。

同樣的操作在dataframe也一樣可以進行。

我們當(dāng)然也可以對某一列進行廣播，但是dataframe四則運算的廣播機制默認對行生效，如果要對列使用的話，我們需要使用算術(shù)運算方法，并且指定希望匹配的軸。

函數(shù)與映射

pandas的另外一個優(yōu)點是兼容了numpy當(dāng)中的一些運算方法和函數(shù)，使得我們也可以將一些numpy當(dāng)中的函數(shù)運用在DataFrame上，這樣就大大拓展了使用方法以及運算方法。

比如我們要將DataFrame當(dāng)中所有的元素變成它的平方，我們利用numpy的square方法可以很容易做到：

我們可以將DataFrame作為numpy函數(shù)的參數(shù)傳入，但如果我們想要自己定義一個方法并且應(yīng)用在DataFrame上怎么辦？

我們可以利用apply方法很容易地實現(xiàn)這一點，apply方法有些像是Python原生的map方法，可以對DataFrame當(dāng)中的每一個元素做一個映射計算。我們只需要在apply方法當(dāng)中傳入我們想要應(yīng)用在DataFrame上的方法即可，也就是說它接受的參數(shù)是一個函數(shù)，這是一個很典型的函數(shù)式編程的應(yīng)用。

比如我們想要對DataFrame進行平方操作，我們也可以將np.square函數(shù)當(dāng)做參數(shù)傳入。

apply方法除了可以用在一整個DataFrame上之外，我們也可以讓它應(yīng)用在某一行或者是某一列或者是某一個部分上，應(yīng)用的方法都是一樣的。比如我們可以這樣對DataFrame當(dāng)中的某一行以及某一列應(yīng)用平方這個方法。

另外，apply中函數(shù)的作用域并不只局限在元素，我們也可以寫出作用在一行或者是一列上的函數(shù)。比如我們想要計算出DataFrame當(dāng)中每一列的最大值，我們可以這樣寫：

這個匿名函數(shù)當(dāng)中的x其實是一個Series，那這里的max就是Series自帶的max方法。也就是說apply的作用范圍是Series，雖然最終的效果是每一個元素都被改變了，但是apply的作用域并不是元素而是Series。我們通過apply操作行或者列，行和列將改變應(yīng)用到每一個元素。

同樣我們也可以將apply的應(yīng)用對象限定為行，同樣我們需要通過傳入axis來限定，我們可以傳入axis='columns'，也可以指定axis=1，這兩者的效果是一樣的。

另外，apply返回的結(jié)果并不一定只能是標量，也可以是多個值組成的list或者是Series，其實兩者也是一樣的，因為即使返回List也會被轉(zhuǎn)化成Series。

最后我們來介紹一下applymap，它是元素級的map，我們可以用它來操作DataFrame中的每一個元素。比如我們可以用它來轉(zhuǎn)換DataFrame當(dāng)中數(shù)據(jù)的格式。

之所以我們叫它applymap而不是map，是因為在Series的方法當(dāng)中，已經(jīng)有了map，所以為了區(qū)分創(chuàng)建了applymap。

這里要注意，如果將上面代碼中的applymap改成apply是會報錯的。報錯的原因也很簡單，因為apply方法的作用域不是元素而是Series，Series并不支持這樣的操作。