Question

以下是代码：

import pandas as pd
import numpy as np

a = pd.Series(['1a', '2a'])
b = pd.Series(['1b', '2b'])
c = pd.Series([2, 3])

df = pd.concat((a.rename('a'), b.rename('b'), c.rename('c')), axis=1)

def ar(a, b, c):
    arr = pd.DataFrame(np.diag(np.arange(c)))
    arr['a'] = a
    arr['b'] = b

    return arr

如何使用apply方法生成：

a     b   0   1   2
---------------------
1a    1b  0   0   NaN
1a    1b  0   1   NaN
2a    2b  0   0   0
2a    2b  0   1   0
2a    2b  0   0   1

...像df.c.apply(ar, df.a, df.b)这样的东西不起作用。感谢

Answer 1

一种快速而简单的方法是使用np.vectorize“向量化”您的函数，允许numpy“隐藏”循环（很像apply，但开销较少）。

v = np.vectorize(ar)
pd.concat(v(df.a, df.b, df.c))

   0  1   a   b    2
0  0  0  1a  1b  NaN
1  0  1  1a  1b  NaN
0  0  0  2a  2b  0.0
1  0  1  2a  2b  0.0
2  0  0  2a  2b  2.0

vectorize作为输入，一个对标量进行操作的函数，并允许您传递按元素操作的向量。

这类似于循环输入的zip ped版本并在每次迭代时调用ar -

r = []
for x, y, z in zip(df.a, df.b, df.c):
    r.append(ar(x, y, z))

pd.concat(r)

   0  1   a   b    2
0  0  0  1a  1b  NaN
1  0  1  1a  1b  NaN
0  0  0  2a  2b  0.0
1  0  1  2a  2b  0.0
2  0  0  2a  2b  2.0

Answer 2

这里可以使用map函数，这与数据框架的apply非常相似：

outlist = list(map(lambda x,y,z: ar(x,y,z), a,b,c))
outdf = pd.concat(list(map(pd.DataFrame, outlist))) 
# or: outdf = pd.concat([pd.DataFrame(out[0]), pd.DataFrame(out[1])])
print(outdf)

输出：

   0  1   a   b    2
0  0  0  1a  1b  NaN
1  0  1  1a  1b  NaN
0  0  0  2a  2b  0.0
1  0  1  2a  2b  0.0
2  0  0  2a  2b  2.0

使用多个参数来“应用”＃39;在Pandas数据帧中

2 个答案: