• 学习pandas apply方法,看这一篇就够了,你该这么学,No.10


    最近好忙啊,好忙啊,忙的写不动博客了

    时间过得飞快

    一晃,一周就过去了

    本着不进步就倒退的性格
    我成功的在技术上面划水了一周
    在这里插入图片描述

    今天要学习的还是groupby的高级进阶

    说是高级,其实就是比初级复杂了一些

    有点绕,然后不容易明白

    就成为高级了

    其实对于pandas来说

    应该还是基础部分

    我们今天要学习的就是

    自定义更丰富的分组运算

    apply 方法
    在这里插入图片描述

    apply方法的价值

    对于有些数据类型来说
    是的,有些

    agg与transform 不是很适合
    所以就会出现apply方法

    不过哪些不适合,我们要慢慢细说啦

    首先,我们先弄几个apply的例子,看看它到底能干啥

    要测试,先造数据

    import pandas as pd
    
    df = pd.DataFrame({'A':['bob','sos','bob','sos','bob','sos','bob','bob'],
                  'B':['one','one','two','three','two','two','one','three'],
                  'C':[3,1,4,1,5,9,2,6],
                  'D':[1,2,3,4,5,6,7,8]})
    

    数据造好,分组开始

    grouped = df.groupby('A')
    
    for name,group in grouped:
        print(name)
        print(group)
    

    要想成为高手,这时候,你要开始写代码了

    千万不能只看着

    对的,你看着永远学不会的

    相信橡皮擦

    数据就长成这个样子

    在这里插入图片描述
    然后我们对结果应用apply方法

    d = grouped.apply(lambda x:x.describe())
    print(d)
    

    lambda表达式,自己去百度下,关键字python lambda
    就是个匿名函数,没啥难的
    在这里插入图片描述

    给分组之后的数据,同时应用 describe方法

    当当当,结果展示为

    在这里插入图片描述

    对于apply()方法来说,它做了这么一个操作
    将groupby分组好的数据,一组,一组,一组的传递到了函数里面

    看好是一组,一组的传递进去

    所以,呈现出一种多层级的结构

    很难理解,是吧

    没错,就是不好理解,要不难么
    在这里插入图片描述

    给你弄个图,理解理解

    在这里插入图片描述
    什么,还不理解

    那这样,我们获取分组之后的前2条数据

    新需求哦~

    完整代码

    import pandas as pd
    
    df = pd.DataFrame({'A':['bob','sos','bob','sos','bob','sos','bob','bob'],
                  'B':['one','one','two','three','two','two','one','three'],
                  'C':[3,1,4,1,5,9,2,6],
                  'D':[1,2,3,4,5,6,7,8]})
    
    
    grouped = df.groupby('A')
    
    for name,group in grouped:
        print(name)
        print(group)
    
    d = grouped.apply(lambda x:x.head(2))
    

    你看看出来的数据

    在这里插入图片描述
    晓得了不,apply方法 会将分组后的数据一起传入
    可以返回多维数据

    厉害,厉害,虽然一般我只用最简单的

    在这里插入图片描述

    不用lambda,咱们在实现一下,可能更清楚一些

    代码呢,你可以改成这个样子

    def get_top(df):
        return df.head(2)
    
    d = grouped.apply(get_top)
    

    看,像高手的两把刷子了吧

    然后,你还可以给传个参数进去

    def get_top(df,n):
        return df.head(n)
    
    d = grouped.apply(get_top,n=3)
    
    print(d)
    

    apply方法也可以应用在series上面

    自己去试试吧

    最后,我需要一个使用apply最常用

    也是最好用的方法

    当然pandas这么厉害

    肯定有很多办法可以替代的

    填补空值

    import pandas as pd
    
    df = pd.DataFrame({'A':['bob','sos','bob','sos','bob','sos','bob','bob'],
                  'B':['one','one','two','three','two','two','one','three'],
                  'C':[3,1,4,1,5,9,None,6],
                  'D':[1,2,3,None,5,6,7,8]})
    
    
    grouped = df.groupby('A')
    
    for name,group in grouped:
        print(name)
        print(group)
    
    def fill_none(one_group):
       return one_group.fillna(one_group.mean()) # 把平均值填充到空值里面
    
    
    d = grouped.apply(fill_none)
    print(d)
    

    完美,对应一下数据瞅瞅

    在这里插入图片描述

    好了,apply你学会了吗?

    没学会,就在看一遍

    书读百遍,该不会,还是不会

    在这里插入图片描述

    拿出手机,对着我的公主号,拍一拍

    在这里插入图片描述

  • 相关阅读:
    自制对焦测试卡
    RHEL AS4上配置snmpd遇到问题及解决办法笔记
    一个OID资料集中网站
    mrtg配置小问题
    sybase 优化总结[zt]
    [ZT] solarwinds 2002工程师版本(带注册机)
    推荐四个网盘资源搜索工具
    Hadoop 集群搭建
    分布式文件系统 HDFS 简介
    HDFS Shell 命令实操
  • 原文地址:https://www.cnblogs.com/happymeng/p/11056437.html
Copyright © 2020-2023  润新知