Pandas教程之十三：在DataFrame中应用函数

最新推荐文章于 2026-05-17 19:33:52 发布

原创最新推荐文章于 2026-05-17 19:33:52 发布 · 1.4k 阅读

9 ·

本内容遵循CC 4.0 BY-SA版权协议

GEO检测

标签

#pandas #python

Python中级同时被 2 个专栏收录

62 篇文章

订阅专栏

Pandas教程

39 篇文章

订阅专栏

Python 是一种执行数据分析任务的优秀语言。它提供了大量的类和函数，有助于更轻松地分析和处理数据。在本文中，我们将了解如何将函数应用于Pandas Dataframe 中的每一行。

将函数应用于 Pandas DataFrame 中的每一行

有多种方法可以对 DataFrame 列执行逐元素操作。这里我们讨论一些对 DataFrame 列执行逐元素操作的示例，如下所示。

将用户定义函数应用于Pandas DataFrame的每一行
将Lambda应用于 DataFrame 的每一行
对每一行应用NumPy.sum()
使用 Pandas 中的自定义函数规范化 DataFrame 列值
将范围生成函数应用于 Pandas 中的 DataFrame 行

可以使用apply()函数将函数应用于给定数据框中的每一行。让我们看看如何完成这项任务。

将用户定义函数应用于 Pandas DataFrame 的每一行

在此示例中，我们定义了一个函数add_values(row)，用于计算每行“A”、“B”和“C”列中的值之和。在该main()函数中，根据字典创建一个 DataFrame，然后使用该方法将该函数应用于每一行，从而生成一个包含总和值的新列“add”。然后打印原始和修改后的 DataFrame。apply()

Python3

import pandas as pd

# Function to add

def add_values(row):

return row['A'] + row['B'] + row['C']

def main():

# Create a dictionary with three fields each

data = {

'A': [1, 2, 3],

'B': [4, 5, 6],

'C': [7, 8, 9]}

# Convert the dictionary into DataFrame

df = pd.DataFrame(data)

print("Original DataFrame:\n", df)

# Apply the user-defined function to every row

df['add'] = df.apply(add_values, axis=1)

print('\nAfter Applying Function: ')

# Print the new DataFrame

print(df)

if __name__ == '__main__':

main()

输出

Original DataFrame:
    A  B  C
0  1  4  7
1  2  5  8
2  3  6  9
After Applying Function: 
   A  B  C  add
0  1  4  7   12
1  2  5  8   15
2  3  6  9   18

将 Lambda 应用于 DataFrame 的每一行

在此示例中，我们定义了一个函数add(a, b, c)，该函数返回其三个参数的总和。在该main()函数中，从字典创建一个 DataFrame，并使用apply()带有 lambda 函数的方法将新列“add”添加到 DataFrame。lambda 函数将add函数逐个元素应用于每一行的“A”、“B”和“C”列，并在应用函数之前和之后打印生成的 DataFrame。输出演示了将用户定义的函数应用于 DataFrame 的每一行。

Python3

# Import pandas package

import pandas as pd

# Function to add

def add(a, b, c):

return a + b + c

def main():

# create a dictionary with

# three fields each

data = {

'A': [1, 2, 3],

'B': [4, 5, 6],

'C': [7, 8, 9]}

# Convert the dictionary into DataFrame

df = pd.DataFrame(data)

print("Original DataFrame:\n", df)

df['add'] = df.apply(lambda row: add(row['A'],

row['B'], row['C']), axis=1)

print('\nAfter Applying Function: ')

# printing the new dataframe

print(df)

if __name__ == '__main__':

main()

输出

Original DataFrame:
    A  B  C
0  1  4  7
1  2  5  8
2  3  6  9
After Applying Function: 
   A  B  C  add
0  1  4  7   12
1  2  5  8   15
2  3  6  9   18

对每一行应用 NumPy.sum()

您也可以使用 numpy 函数作为数据框的参数。在此示例中，我们从字典创建一个 DataFrame，然后使用with 方法将 NumPysum函数应用于每一行，从而生成一个新列“add”，其中包含每行值的总和。然后打印原始和修改后的 DataFrame，以演示该函数的应用。apply()axis=1

Python3

import pandas as pd

import numpy as np

def main():

# create a dictionary with

# five fields each

data = {

'A': [1, 2, 3],

'B': [4, 5, 6],

'C': [7, 8, 9]}

# Convert the dictionary into DataFrame

df = pd.DataFrame(data)

print("Original DataFrame:\n", df)

# applying function to each row in the dataframe

# and storing result in a new column

df['add'] = df.apply(np.sum, axis=1)

print('\nAfter Applying Function: ')

# printing the new dataframe

print(df)

if __name__ == '__main__':

main()

输出

Original DataFrame:
    A  B  C
0  1  4  7
1  2  5  8
2  3  6  9
After Applying Function: 
   A  B  C  add
0  1  4  7   12
1  2  5  8   15
2  3  6  9   18

使用 Pandas 中的自定义函数规范化 DataFrame 列值

在这里，我们定义了一个normalize函数，该函数接受两个参数并根据它们的平均值和范围计算归一化值。在该main()函数中，从字典创建一个 DataFrame，然后normalize使用带有 lambda 函数的方法将该函数应用于每一行apply()。生成的 DataFrame 包含列“X”中的归一化值，并打印原始和修改后的 DataFrame。

Python3

# Import pandas package

import pandas as pd

def normalize(x, y):

x_new = ((x - np.mean([x, y])) /

(max(x, y) - min(x, y)))

# print(x_new)

return x_new

def main():

# create a dictionary with three fields each

data = {

'X': [1, 2, 3],

'Y': [45, 65, 89]}

# Convert the dictionary into DataFrame

df = pd.DataFrame(data)

print("Original DataFrame:\n", df)

df['X'] = df.apply(lambda row: normalize(row['X'],

row['Y']), axis=1)

print('\nNormalized:')

print(df)

if __name__ == '__main__':

main()

输出

Original DataFrame:
    X   Y
0  1  45
1  2  65
2  3  89
Normalized:
     X   Y
0 -0.5  45
1 -0.5  65
2 -0.5  89

将范围生成函数应用于 Pandas 中的 DataFrame 行

在此示例中，我们创建了一个函数，用于根据给定的整数输入创建一个范围，以及一个将函数逐个元素应用于 DataFrame 的每一行的函数。在该函数中，DataFrame 是根据字典创建的，然后使用带有 lambda 函数的方法将该函数应用于每一行，从而生成一个新的 DataFrame，其值由相应的范围替换。然后打印原始和修改后的 DataFrame。generate_rangereplacegenerate_rangemain()replaceapply()

Python3

import pandas as pd

import numpy as np

pd.options.mode.chained_assignment = None

# Function to generate range

def generate_range(n):

# printing the range for eg:

# input is 67 output is 60-70

n = int(n)

lower_limit = n//10 * 10

upper_limit = lower_limit + 10

return str(str(lower_limit) + '-' + str(upper_limit))

def replace(row):

for i, item in enumerate(row):

# updating the value of the row

row[i] = generate_range(item)

return row

def main():

# create a dictionary with

# three fields each

data = {

'A': [0, 2, 3],

'B': [4, 15, 6],

'C': [47, 8, 19]}

# Convert the dictionary into DataFrame

df = pd.DataFrame(data)

print('Before applying function: ')

print(df)

# applying function to each row in

# dataframe and storing result in a new column

df = df.apply(lambda row: replace(row))

print('After Applying Function: ')

# printing the new dataframe

print(df)

if __name__ == '__main__':

main()

输出

Before applying function: 
   A   B   C
0  0   4  47
1  2  15   8
2  3   6  19
After Applying Function: 
      A      B      C
0  0-10   0-10  40-50
1  0-10  10-20   0-10
2  0-10   0-10  10-20