文章目录

• 每篇前言
• 一、Pandas自定义函数
• • 1. pipe()
  • 2. apply()
  • 3. map()
  • 4. applymap()
  • 5. agg()
• 二、总结

每篇前言

• 🏆🏆作者介绍：Python领域优质创作者、华为云享专家、阿里云专家博主、2021年CSDN博客新星Top6

• 🔥🔥本文已收录于Python全栈系列专栏：《100天精通Python从入门到就业》
• 📝​📝​此专栏文章是专门针对Python零基础小白所准备的一套完整教学，从0到100的不断进阶深入的学习，各知识点环环相扣
• 🎉🎉订阅专栏后续可以阅读Python从入门到就业100篇文章；还可私聊进千人Python全栈交流群（手把手教学，问题解答）； 进群可领取80GPython全栈教程视频 + 300本计算机书籍：基础、Web、爬虫、数据分析、可视化、机器学习、深度学习、人工智能、算法、面试题等。
• 🚀🚀加入我一起学习进步，一个人可以走的很快，一群人才能走的更远！

---

一、Pandas自定义函数

自定义函数是指：有时候需要对 pandas 里的值进行一些特殊操作，但是没有内置函数，或者把其他库中的函数应用到 Pandas 对象中，这时候可以自己写的一个函数

1. pipe()

通过给 pipe() 函数传递一个自定义函数和适当数量的参数值，从而操作 DataFrme 中的所有元素

语法格式：

DataFrame.pipe(func: Callable[..., T] | tuple[Callable[..., T], str],*args,**kwargs,)

参数说明：

• func：自己编写要应用于Series/DataFrame的函数，*args, **kwargs被传递到“func”中
• args：迭代的参数，可选，可以是元组类型，也可以是列表类型或者其他。
• kwargs：映射的参数，可选，是一个包含关键字的字典。

1. 首先写一个自定义函数（DataFrame中所有数值乘以多少倍）：

def ride(num, multiple):return num * multiple

2. 应用自定义函数：

import numpy as np
import pandas as pd# 自定义函数
def ride(num, multiple):return num * multipledf = pd.DataFrame(np.ones((3, 3)), columns=['a', 'b', 'c'])
print("应用前：")
print(df)print("应用后：")
print(df.pipe(ride, 10))  # 所有数值乘以10倍

运行结果：

2. apply()

apply()可以对DataFrame按行和列（默认按列）进行函数处理，也支持Series。如果是Series，将逐个传入具体值。使用lambda时，变量是调用对象低一维的值。

语法格式：

DataFrame.apply(func: AggFuncType,axis: Axis = 0,raw: bool = False,result_type=None,args=(),**kwargs,)

参数说明：

• func：自己编写要应用于Series/DataFrame的函数，*args, **kwargs被传递到“func”中

• Axis ：应用功能的轴，0 将函数应用于每列，1将函数应用于每一行，默认为0。

• raw：bool，默认为False。确定行或列是否作为Series或ndarray对象传递：

  • False：将每行或每列作为序列传递给作用

  • True：传递的函数将接收ndarray对象

  • 相反，如果您只是应用NumPy缩减函数，这将实现更好的性能。

• result_type：‘expand’，‘reduce’，‘broadcast’，None｝，默认为None。这些仅在“轴=1”（列）时起作用：

  • expand：类似列表的结果将变成列。

  • reduce：如果可能，返回一个序列，而不是展开列表式结果。这与“展开”相反。

  • broadcast：结果将广播到原始形状在DataFrame中，原始索引和列将是保留。

  • 默认行为（None）取决于应用的函数：类似列表的结果将作为序列返回其中之一。但是，如果apply函数返回Series展开为列。

• args：迭代的参数，可选，可以是元组类型，也可以是列表类型或者其他。

• kwargs：映射的参数，可选，是一个包含关键字的字典。

可以与lambda结合使用：

import numpy as np
import pandas as pddata = {'A': pd.Series(1, index=list(range(4)), dtype='float32'),'B': pd.Series(2, index=list(range(4)), dtype='float32'),'C': pd.Series(3, index=list(range(4)), dtype='float32')}
df = pd.DataFrame(data)print("应用前：")
print(df)print("对列进行求和：")
print(df.apply(lambda x: x.sum(), axis=0))
print("对行进行求和：")
print(df.apply(lambda x: x.sum(), axis=1))

运行结果：

3. map()

map()是Series对象的一个函数，DataFrame中没有map()，map()的功能是将一个自定义函数作用于Series对象的每个元素。

语法格式：

Series.map(arg, na_action=None) -> Series

参数说明：

• arg：自己编写要应用于Series的函数。映射子类或系列映射对应关系
• na_action：｛None，“ignore”｝，默认为无，如果“ignore”，则传播NaN值，而不将它们传递给映射对应关系。

使用map()函数来将 A 这一列的数据改为保留三位小数显示：

import numpy as np
import pandas as pddata = {'A': pd.Series(1, index=list(range(4)), dtype='float32'),'B': pd.Series(2, index=list(range(4)), dtype='float32'),'C': pd.Series(3, index=list(range(4)), dtype='float32')}
df = pd.DataFrame(data)print("应用前：")
print(df)print("应用后：")
print(df['A'].map(lambda x : "%.3f"%x))

运行结果：

4. applymap()

DataFrame 数据表结构的 applymap() 和 Series 系列结构的 map() 类似，applymap将自定义函数作用于DataFrame的所有元素

语法格式：

DataFrame.applymap(func: PythonFuncType, na_action: str | None = None, **kwargs) -> DataFrame

参数说明：

• func：Python函数，从单个值返回单个值。

• na_action:｛None，“ignore”｝，默认为无，如果“ignore”，则传播NaN值，而不将它们传递给func。

• kwargs：映射的参数，可选，是一个包含关键字的字典。

import numpy as np
import pandas as pddata = {'A': pd.Series(1, index=list(range(4)), dtype='float32'),'B': pd.Series(2, index=list(range(4)), dtype='float32'),'C': pd.Series(3, index=list(range(4)), dtype='float32')}
df = pd.DataFrame(data)print("应用前：")
print(df)print("应用后：")
print(df.applymap(lambda x: x * 10))

运行结果：

5. agg()

聚合函数agg()一般用于使用指定轴上的一项或多项操作进行汇总，可以传入一个函数或函数的字符，还可以用列表的形式传入多个函数。agg()还支持传入函数的位置参数和关键字参数，支持每个列分别用不同的方法聚合，支持指定轴的方向。agg()的用法整体上与apply()极为相似。

语法格式：

DataFrame.agg(func=None, axis: Axis = 0, *args, **kwargs)

参数说明：

• func：用于聚合数据的函数，如max()、mean()、count()等，函数必须满足传入一个DataFrame能正常使用，或传递到DataFrame.apply()中能正常使用。
• Axis ：应用功能的轴，0 将函数应用于每列，1将函数应用于每一行，默认为0。
• args：迭代的参数，可选，可以是元组类型，也可以是列表类型或者其他。
• kwargs：映射的参数，可选，是一个包含关键字的字典。

import numpy as np
import pandas as pddata = [[1, 2, 3, 4],[11, 22, 33, 44],[111, 222, 333, 444],[1111, 2222, 3333, 4444]]df = pd.DataFrame(data)print("应用前：")
print(df)print("在列上聚合这些函数：")
print(df.agg(['max', 'min', 'mean']))
print("在行上聚合这些函数：")
print(df.agg(['max', 'min', 'mean'],axis=1))

运行结果：

二、总结

• 1、通过给 pipe() 函数传递一个自定义函数和适当数量的参数值，从而操作 DataFrme 中的所有元素

• 2、apply()方法使用与Series对象、DataFrame对象、Groupby对象，处理的是行或列数据（本质上处理的是单个Series），用函数类对象来构建映射关系对Series对象进行转换；

• 3、map()方法适用于Series对象，可以通过字典或函数类对象来构建映射关系对Series对象进行转换；

• 4、applymap()方法用来处理DataFrame对象的单个元素值，也是使用函数类对象映射转换

• 5、agg()函数为aggregate的缩写，总数、合计、聚合的意思，是一个功能非常强大的函数，在Pandas中可以利用agg()对Series、DataFrame以及groupby()后的结果进行聚合操作。