數據分析時需要對數據進行復雜運算，定義函數運用到pandas每個元素上，有三種重要的映射方法：
- map
- apply
- applymap
- 排序
map映射
<code>obj = Series([3，2，5，3，-4])
obj.map(lambda x:x+2) #傳入匿名函數
def f(x):
return x+2
obj.map(f) #傳入自定義函數/<code>
- map方法將傳入函數作用於每個Series元素上
<code>data = {
‘city’:[‘北京’，‘上海’，‘廣州’，‘深圳’]，
‘temperature’:[30，32，,28，37]
}
def f(x):
return str(x)+‘度’
df = DataFrame(data)
df[‘temperature’] = df[‘temperature’].map(f) #對dataframe的series列映射f函數/<code>apply映射
apply方法作用於DataFrame對象行或列上
<code>df = DataFrame(np.random.randn(3，3)，columns=[‘a’，‘b’，‘c’])
df.apply(lambda x:x.max()-x.min()) #匿名函數作用於axis=0 垂直軸向上
df.apply(lambda x:x.max()，axis=1) #匿名函數作用於axis=1水平軸向上/<code>
- 只能用於行或者列上，不能同時作用於每個元素
applymap映射
applymap方法應用於DataFrame對象的每個元素上
<code>df.applymap(lambda x:”%.2f” % x)/<code>
排序
排序的對象分為索引排序和數值排序，主要分為pandas和DataFrame兩種類型排序
<code>obj = Series([1，3，2，6]，index=[‘b’，‘c’，’a’，’d’])
obj1 = obj.sort_index() #索引升序排列
obj1 = obj.sort_index(ascending=False) #對象降序排列
obj = obj.sort_values() #數值升序排序
obj = obj.sort_values(ascending=False) #數值降序排序/<code>
- ascending = True表示升序，False表示降序，默認表示升序
- 排序後的索引與數值是一一對應的
<code>df = DataFrame([[1,3,2,5]，[2,1,4,3]], index=[‘win’, ‘mac’], columns=[‘a’, ‘b’, ‘c’, ‘d’])
df.sort_index(axis=0) #行索引排序
df.sort_index(axis=1) #列索引排序
df.sort_values(by=’a’) #a列數值排序，默認axis=0
df.sort_values(axis=1, by=’win’) #win行索引數值排序/<code>
- axis=0表示選擇列索引，by後面只能是列索引默認axis為0
- axis=1，by後邊只能是行索引
分享到:
閱讀更多 出水菱角 的文章
