python中pandas操作apply返回多列的實(shí)現(xiàn)

第python中pandas操作apply返回多列的實(shí)現(xiàn)目錄apply返回多列生成新列多行操作舉例我們可以用DataFrame的apply函數(shù)實(shí)現(xiàn)對(duì)多列，多行的操作。

需要記住的是，參數(shù)axis設(shè)為1是對(duì)列進(jìn)行操作，參數(shù)axis設(shè)為0是對(duì)行操作。默認(rèn)是對(duì)行操作。

apply返回多列

#height=[70,90,100,120,140,160,180,200，220，240，260]#長(zhǎng)度為11

#df.shape

(1000,11)

#對(duì)df的每一行的每一個(gè)元素操作，然后再返回多列

#----------返回多列-----------------

df=df.apply(lambdax:pd.Series([math.atan(i[0]/(i[1])*180/math.piforiinzip(height,x)]).astype(float),axis=1)

.rename(columns=dict(zip(list(range(0,11)),df.columns)))

#df['slope']=df_10min.apply(lambdax:math.atan(210/(x['ws_260']-x['ws_50']+1e-7))*180/math.pi,axis=1)

importpandasaspd

df_tmp=pd.DataFrame([

{"a":"data1","cnt":100},{"a":"data2","cnt":200},

df_tmp

a

cnt

data1

100

data2

200

方法一：使用apply的參數(shù)result_type來(lái)處理

defformatrow(row):

a=row["a"]+str(row["cnt"])

b=str(row["cnt"])+row["a"]

returna,b

df_tmp[["fomat1","format2"]]=df_tmp.apply(formatrow,axis=1,result_type="expand")

df_tmp

a

cnt

fomat1

format2

data1

100

data1100

100data1

data2

200

data2200

200data2

方法一：使用zip打包返回結(jié)果來(lái)處理

df_tmp["fomat1-1"],df_tmp["format2-2"]=zip(*df_tmp.apply(formatrow,axis=1))

df_tmp

a

cnt

fomat1

format2

fomat1-1

format2-2

data1

100

data1100

100data1

data1100

100data1

data2

200

data2200

200data2

data2200

200data2

生成新列

現(xiàn)在有如下一個(gè)DataFrame：

np.random.seed(1)

df=pd.DataFrame(np.random.randn(4,2),columns=['A','B'])

01.624345-0.611756

1-0.528172-1.072969

20.865408-2.301539

31.744812-0.761207

對(duì)A,B兩列操作，生成C列,其中C是字符串，由AB組成。下面看一下結(jié)果就明白了。

df['C']=df.apply(lambdax:'{:.2f}±{:.2f}'.format(x['A'],x['B']),axis=1)

看一下效果

ABC

01.624345-0.6117561.62-0.61

1-0.528172-1.072969-0.53-1.07

20.865408-2.3015390.87-2.30

31.744812-0.7612071.74-0.76

多行操作舉例

同理可以作用在多行上。

#對(duì)第10行進(jìn)行操作，基于第2、3兩行

df.loc[10]=df.apply(lambdax:'{:.2f}±{:.2f}'.format(x[2],x[3]))

看一下實(shí)現(xiàn)的效果

AB

01.624345-0.611756

1-0.528172-1.072969

20.865408-2.301539

31.744812-0.761207

100.871