1. map、apply、applymap
在日常的数据处理中，经常会对一个 DataFrame进行逐行、逐列和逐元素的操作，对应这些操作，Pandas中的 map、 apply和 applymap可以解决绝大部分这样的数据处理需求。
先生成100行示例数据：
boolean=[True,False]
gender=["男","女"]
color=["white","black","yellow"]
data=pd.DataFrame({
"height":np.random.randint(150,190,100),
"weight":np.random.randint(40,90,100),
"smoker":[boolean[x] for x in np.random.randint(0,2,100)],
"gender":[gender[x] for x in np.random.randint(0,2,100)],
"age":np.random.randint(15,90,100),
"color":[color[x] for x in np.random.randint(0,len(color),100) ]
}
)
1.1 Series数据处理
1. map
若想把数据集中 gender列的男替换为1，女替换为0，可使用 Series.map()：
法一：使用字典进行映射
data["gender"] = data["gender"].map({"男":1, "女":0})
法二：使用函数
def gender_map(x):
gender = 1 if x == "男" else 0
return gender
注意这里传入的是函数名，不带括号
data["gender"] = data["gender"].map(gender_map)
不论是利用字典还是函数进行映射， map方法都是把对应的数据 逐个当作参数传入到字典或函数中，得到映射后的值。
注：若该列中存在map字典中不存在的值，例如，gender 中还存在”未知”，则”未知”会被映射为Nan，此时可选择使用函数进行映射，定义一个else。同时使用函数会更加灵活，例如当满足多个条件时，都映射到某个值
2. apply
apply方法的作用原理和 map方法类似，区别在于 apply 能够传入功能更为复杂的函数。
假设在数据统计的过程中，年龄 age列有较大误差，需要对其进行调整（加上或减去一个值），由于这个加上或减去的值未知，故在定义函数时，需要加多一个参数 bias，此时用 map 方法是操作不了的（ 传入 map 的函数只能接收一个参数）， apply 方法则可以解决这个问题。
def apply_age(x,bias):
return x+bias
以元组的方式传入额外的参数
data["age"] = data["age"].apply(apply_age,args=(-3,))
总而言之，对于Series而言， map可以解决绝大多数的数据处理需求，但如果需要使用较为复杂的函数，则需要用到 apply方法。
1.2 DataFrame数据处理
1. apply
对 DataFrame而言， apply是非常重要的数据处理方法，它可以接收各种各样的函数（Python内置的或自定义的），处理方式很灵活。
在进行具体介绍之前，首先需要了解一下 DataFrame中 axis的概念（详见我的另一篇博客数据框操作）
简言之，若想沿着axis=0的方向新增数据，则选择axis=0；若想沿着axis=1的方向新增数据，则选择axis=1。
假设现在需要对 data中的数值 列分别进行 取对数和 求和的操作，这时可以用 apply进行相应的操作，因为是对列进行操作，所以需要指定 axis=0：
沿着0轴求和
data[["height","weight","age"]].apply(np.sum, axis=0)
沿着0轴取对数
data[["height","weight","age"]].apply(np.log, axis=0)
当沿着 轴0（axis=0） 进行操作时，会将各列(columns)默认以 Series 的形式作为参数，传入到你指定的操作函数中，操作后合并并返回相应的结果。
如果在实际使用中需要按行进行操作（ axis=1）, 例如：
在数据集中，有身高和体重的数据，所以根据这个我们可以计算每个人的BMI指数（衡量人体肥胖程度和是否健康的重要标准），计算公式是： 体重指数BMI=体重/身高的平方（国际单位kg/㎡），因为需要对每个样本进行操作，这里使用 axis=1的 apply进行操作，代码如下：
def BMI(series):
weight = series["weight"]
height = series["height"]/100
BMI = weight/height**2
return BMI
data["BMI"] = data.apply(BMI,axis=1)
当 apply 设置了 axis=1 对行进行操作时，会默认将每一行数据以 Series 的形式（Series的索引为列名）传入指定函数，返回相应的结果。
总结一下对 DataFrame 的 apply操作：
- 当
axis=0时，对每列columns执行指定函数；当axis=1时，对每行row执行指定函数。 - 无论
axis=0还是axis=1，其传入指定函数的默认形式均为 Series，可以通过设置raw=True传入 numpy数组。 - 对每个Series执行结果后，会将结果整合在一起返回（若想有返回值，定义函数时需要
return相应的值） - 当然，DataFrame 的
apply和 Series 的apply一样，也能接收更复杂的函数，如传入参数等，实现原理是一样的，具体用法详见官方文档。
2. applymap
applymap的用法比较简单，会对 DataFrame 中的 每个单元格执行指定函数的操作
先新生成一个 DataFrame:
df = pd.DataFrame(
{
"A":np.random.randn(5),
"B":np.random.randn(5),
"C":np.random.randn(5),
"D":np.random.randn(5),
"E":np.random.randn(5),
}
)
现在想将 DataFrame 中所有的值保留两位小数显示，使用 applymap可以很快达到这个目的，代码如下：
df.applymap(lambda x:"%.2f" % x)
applymap 将 DataFrame 中的每个数据（每个单元格）作为 x 传入匿名函数
2. groupby
参考：
pandas.DataFrame.groupby — pandas 1.3.0 documentation (pydata.org)
Pandas教程 | 超好用的Groupby用法详解
将数据根据某个或多个字段划分为不同的群体（group）进行分析
例：
先模拟生成10个样本数据：
company=["A","B","C"]
data=pd.DataFrame({
"company":[company[x] for x in np.random.randint(0,len(company),10)],
"salary":np.random.randint(5,50,10),
"age":np.random.randint(15,50,10)
}
)
groupby的过程就是将原有的 DataFrame 按照 groupby的字段（这里是 company），划分为若干个子 DataFrame，在 groupby之后的一系列操作（如 agg、 apply等），均是基于子 DataFrame 的操作。
2.1 agg聚合操作
Pandas中常见的聚合操作：
min, max, sum, mean, median, std, var, count
> data.groupby("company").agg('mean')
salary age
company
A 21.50 27.50
B 13.00 29.00
C 29.25 27.25
👆 根据公司进行分组，对其余每一列求平均
> data.groupby("company")["salary"].agg('mean')
salary age
company
A 21.50 27.50
B 13.00 29.00
C 29.25 27.25
👆 根据公司进行分组，对 salary 列求平均
> data.groupby('company').agg({'salary':'median','age':'mean'})
salary age
company
A 21.5 27.50
B 10.0 29.00
C 30.0 27.25
👆 根据公司进行分组，对 salary 列求中位数，对 age 列求平均
2.2 transform操作
若在求得不同公司员工的平均薪水后，想在原数据集中新增一列 avg_salary，该怎么做呢？
不用 transform的实现代码如下：
> avg_salary_dict = data.groupby('company')['salary'].mean().to_dict()
> data['avg_salary'] = data['company'].map(avg_salary_dict)
> data
company salary age avg_salary
0 C 43 35 29.25
1 C 17 25 29.25
2 C 8 30 29.25
3 A 20 22 21.50
4 B 10 17 13.00
5 B 21 40 13.00
6 A 23 33 21.50
7 C 49 19 29.25
8 B 8 30 13.00
如果使用 transform，仅需要一行代码：
> data['avg_salary'] = data.groupby('company')['salary'].transform('mean')
> data
company salary age avg_salary
0 C 43 35 29.25
1 C 17 25 29.25
2 C 8 30 29.25
3 A 20 22 21.50
4 B 10 17 13.00
5 B 21 40 13.00
6 A 23 33 21.50
7 C 49 19 29.25
8 B 8 30 13.00
2.3 apply
apply相比 agg和 transform而言更加灵活，能够传入任意自定义的函数，实现复杂的数据操作。
假设现在需要获取各个公司年龄最大的员工的数据，可以用以下代码实现：
> def get_oldest_staff(x):
... df = x.sort_values(by = 'age',ascending=True)
... return df.iloc[-1,:]
> oldest_staff = data.groupby('company',as_index=False).apply(get_oldest_staff)
> oldest_staff
company salary age
0 A 23 33
1 B 21 40
2 C 43 35
最后，关于 apply的使用，虽然说 apply拥有更大的灵活性，但 apply的运行效率会比 agg和 transform更慢。所以， groupby之后能用 agg和 transform解决的问题还是优先使用这两个方法，实在解决不了了才考虑使用 apply进行操作。
3. crosstab
参考：Python pandas，分组 groupby()，分组后的聚合函数，交叉表 crosstab()
官方文档：pandas.crosstab — pandas 1.3.0 documentation (pydata.org)
crosstab 交叉表，用于统计分组频率的特殊透视表（列联表）
例：
import pandas as pd
模拟用户购买商品的表(数据)
my_list = [{"user_id": 11, "goods": "苹果"}, {"user_id": 11, "goods": "苹果"}, {"user_id": 11, "goods": "香蕉"},
{"user_id": 22, "goods": "苹果"}, {"user_id": 22, "goods": "香蕉"}, {"user_id": 22, "goods": "香蕉"},
{"user_id": 33, "goods": "梨"}, {"user_id": 33, "goods": "香蕉"}, {"user_id": 33, "goods": "苹果"}]
df = pd.DataFrame(my_list)
print(df)
'''
goods user_id
0 苹果 11
1 苹果 11
2 香蕉 11
3 苹果 22
4 香蕉 22
5 香蕉 22
6 梨 33
7 香蕉 33
8 苹果 33
'''
交叉表 (特殊的分组工具)
cross_tb = pd.crosstab(df["user_id"], df["goods"]) # 统计每个用户购买各种商品的数量
print(cross_tb)
'''
goods 梨 苹果 香蕉
user_id
11 0 2 1
22 0 1 2
33 1 1 1
'''
↑第一个参数会被放在index
如果想得到占比：
pd.crosstab(df["user_id"], df["goods"], normalize="index")
'''
goods 梨 苹果 香蕉
user_id
11 0.000000 0.666667 0.333333
22 0.000000 0.333333 0.666667
33 0.333333 0.333333 0.333333
'''
↑ 根据index进行normalize，行相加为1
pd.crosstab(df["user_id"], df["goods"], normalize="columns")
'''
goods 梨 苹果 香蕉
user_id
11 0.0 0.50 0.25
22 0.0 0.25 0.50
33 1.0 0.25 0.25
'''
↑ 根据column进行normalize，列相加为1
pd.crosstab(df["user_id"], df["goods"], normalize="all")
'''
goods 梨 苹果 香蕉
user_id
11 0.000000 0.222222 0.111111
22 0.000000 0.111111 0.222222
33 0.111111 0.111111 0.111111
'''
↑ 全部单元格的值相加为1
语法：
4. assign
官方文档：pandas.DataFrame.assign — pandas 1.3.0 documentation (pydata.org)
作用：Assign new columns to a DataFrame.
例：
↑也可以写为：
df.assign(temp_f=lambda x:x['temp_c']*9/5+32).assign(temp_k=lambda x: (x['temp_f']+459.67)*5/9)
例：利用crosstab与assign进行woe和iv的计算：
构造数据集：
df = pd.DataFrame({"col1":["男","女","女","男","女"], "y":[0,1,1,1,0]})
利用 crosstab 得到频率表：
pd.crosstab(df["col1"], df["y"], normalize='columns')
在频率表的基础上，加上woe列：
pd.crosstab(df["col1"], df["y"], normalize='columns').assign(woe=lambda dfx: np.log(dfx[1].replace(0, 0.0001) / dfx[0].replace(0, 0.0001)))
利用woe的结果，进一步得到iv：
pd.crosstab(df["col1"], df["y"], normalize='columns').assign(woe=lambda dfx: np.log(dfx[1].replace(0, 0.0001) / dfx[0].replace(0, 0.0001))).assign(iv=lambda dfx: np.sum(dfx['woe'] * (dfx[1] - dfx[0])))
↑因为iv值是是对于一个变量而言（关于iv和woe的介绍详见我的另一篇博客 WOE编码与IV值），所以上面的两个iv值是一样的，那么如何从上述结果中提取出iv值：
df_woe_iv = pd.crosstab(df["col1"], df["y"], normalize='columns').assign(woe=lambda dfx: np.log(dfx[1].replace(0, 0.0001) / dfx[0].replace(0, 0.0001))).assign(iv=lambda dfx: np.sum(dfx['woe'] * (dfx[1] - dfx[0])))
a = df_woe_iv['iv'].reset_index()
print(a.loc[0, 'iv'])
Original: https://www.cnblogs.com/qypx/p/15912768.html
Author: qypx
Title: Pandas中的常用函数
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/606902/
转载文章受原作者版权保护。转载请注明原作者出处！