Question

假设我有一个MultiIndex系列s：

>>> s
     values
a b
1 2  0.1 
3 6  0.3
4 4  0.7

我想应用一个使用行索引的函数：

def f(x):
   # conditions or computations using the indexes
   if x.index[0] and ...: 
   other = sum(x.index) + ...
   return something

我如何为这样的功能做s.apply(f)？这种操作的推荐方法是什么？我期望获得一个新系列，其中每个行应用此函数产生的值和相同的MultiIndex。

Answer 1

我不相信apply可以访问索引;它将每一行视为一个numpy对象，而不是一个系列，如你所见：

In [27]: s.apply(lambda x: type(x))
Out[27]: 
a  b
1  2    <type 'numpy.float64'>
3  6    <type 'numpy.float64'>
4  4    <type 'numpy.float64'>

要解决此限制，请将索引提升为列，应用您的函数，然后使用原始索引重新创建系列。

Series(s.reset_index().apply(f, axis=1).values, index=s.index)

其他方法可能会使用s.get_level_values，这在我看来常常有点难看，或s.iterrows()，这可能会更慢 - 可能取决于f的具体内容。

Answer 2

使它成为一个框架，如果你想要返回标量（所以结果是一个系列）

设置

In [11]: s = Series([1,2,3],dtype='float64',index=['a','b','c'])

In [12]: s
Out[12]: 
a    1
b    2
c    3
dtype: float64

打印功能

In [13]: def f(x):
    print type(x), x
    return x
   ....: 

In [14]: pd.DataFrame(s).apply(f)
<class 'pandas.core.series.Series'> a    1
b    2
c    3
Name: 0, dtype: float64
<class 'pandas.core.series.Series'> a    1
b    2
c    3
Name: 0, dtype: float64
Out[14]: 
   0
a  1
b  2
c  3

由于您可以在此返回任何内容，只需返回标量（通过name属性访问索引）

In [15]: pd.DataFrame(s).apply(lambda x: 5 if x.name == 'a' else x[0] ,1)
Out[15]: 
a    5
b    2
c    3
dtype: float64

Answer 3

转换为DataFrame并沿行应用。您可以访问索引x.name。 x也是Series现在有1个值

s.to_frame(0).apply(f, axis=1)[0]

Answer 4

可以更快地找到where而不是apply：

In [11]: s = pd.Series([1., 2., 3.], index=['a' ,'b', 'c'])

In [12]: s.where(s.index != 'a', 5)
Out[12]: 
a    5
b    2
c    3
dtype: float64

您还可以将numpy风格的逻辑/函数用于任何部分：

In [13]: (2 * s + 1).where((s.index == 'b') | (s.index == 'c'), -s)
Out[13]: 
a   -1
b    5
c    7
dtype: float64

In [14]: (2 * s + 1).where(s.index != 'a', -s)
Out[14]: 
a   -1
b    5
c    7
dtype: float64

我建议测试速度（因为效率取决于功能）。虽然，我发现apply更具可读性......

Answer 5

如果使用DataFrame.apply（）而不是Series.apply（），则可以在fucntion中作为参数访问整行。

def f1(row):
    if row['I'] < 0.5:
        return 0
    else:
        return 1

def f2(row):
    if row['N1']==1:
        return 0
    else:
        return 1

import pandas as pd
import numpy as np
df4 = pd.DataFrame(np.random.rand(6,1), columns=list('I'))
df4['N1']=df4.apply(f1, axis=1)
df4['N2']=df4.apply(f2, axis=1)

Answer 6

使用reset_index()将Series转换为DataFrame，将索引转换为列，然后将apply的函数转换为DataFrame。

棘手的部分是知道reset_index()如何命名列，因此这里有一些示例。

具有单个索引序列

s=pd.Series({'idx1': 'val1', 'idx2': 'val2'})

def use_index_and_value(row):
    return 'I made this with index {} and value {}'.format(row['index'], row[0])

s2 = s.reset_index().apply(use_index_and_value, axis=1)

# The new Series has an auto-index;
# You'll want to replace that with the index from the original Series
s2.index = s.index
s2

输出：

idx1    I made this with index idx1 and value val1
idx2    I made this with index idx2 and value val2
dtype: object

具有多索引系列

这里的概念相同，但是您需要以row['level_*']的形式访问索引值，因为这是Series.reset_index()放置索引值的地方。

s=pd.Series({
    ('idx(0,0)', 'idx(0,1)'): 'val1',
    ('idx(1,0)', 'idx(1,1)'): 'val2'
})

def use_index_and_value(row):
    return 'made with index: {},{} & value: {}'.format(
        row['level_0'],
        row['level_1'],
        row[0]
    )

s2 = s.reset_index().apply(use_index_and_value, axis=1)

# Replace auto index with the index from the original Series
s2.index = s.index
s2

输出：

idx(0,0)  idx(0,1)    made with index: idx(0,0),idx(0,1) & value: val1
idx(1,0)  idx(1,1)    made with index: idx(1,0),idx(1,1) & value: val2
dtype: object

如果系列或索引有名称，则需要进行相应的调整。

访问pandas.Series.apply中的索引

6 个答案:

具有单个索引序列

具有多索引系列