Pandas: Wie kann ich die Funktion apply () für eine einzelne Spalte verwenden?

Ich habe einen Pandas-Datenrahmen mit zwei Spalten. Ich muss die Werte der ersten Spalte ändern, ohne die zweite zu beeinflussen, und den gesamten Datenrahmen mit nur geänderten Werten der ersten Spalte zurückerhalten. Wie kann ich das mit bewerben in Pandas machen?

Bei einem Beispieldatenrahmen wie folgt df:

a,b
1,2
2,3
3,4
4,5

was Sie wollen ist:

df['a'] = df['a'].apply(lambda x: x + 1)

das gibt zurück:

   a  b
0  2  2
1  3  3
2  4  4
3  5  5

Für eine einzelne Spalte besser zu verwenden map(), wie folgt:

df = pd.DataFrame([{'a': 15, 'b': 15, 'c': 5}, {'a': 20, 'b': 10, 'c': 7}, {'a': 25, 'b': 30, 'c': 9}])

    a   b  c
0  15  15  5
1  20  10  7
2  25  30  9



df['a'] = df['a'].map(lambda a: a / 2.)

      a   b  c
0   7.5  15  5
1  10.0  10  7
2  12.5  30  9

Sie brauchen überhaupt keine Funktion. Sie können direkt an einer ganzen Spalte arbeiten.

Beispieldaten:

>>> df = pd.DataFrame({'a': [100, 1000], 'b': [200, 2000], 'c': [300, 3000]})
>>> df

      a     b     c
0   100   200   300
1  1000  2000  3000

Die Hälfte aller Werte in der Spalte a:

>>> df.a = df.a / 2
>>> df

     a     b     c
0   50   200   300
1  500  2000  3000

Obwohl die angegebenen Antworten korrekt sind, ändern sie den anfänglichen Datenrahmen, was nicht immer wünschenswert ist (und angesichts des OP, das nach Beispielen für "using apply" gefragt wurde, möchten sie möglicherweise eine Version, die wie neu einen neuen Datenrahmen zurückgibt apply).

Dies ist möglich mit assign: Es gilt für assignvorhandene Spalten, wie in der Dokumentation angegeben (Schwerpunkt liegt bei mir):

Weisen Sie einem DataFrame neue Spalten zu.

Gibt ein neues Objekt mit allen ursprünglichen Spalten zusätzlich zu den neuen zurück. Bestehende Spalten, die neu zugewiesen werden, werden überschrieben .

Zusamenfassend:

In [1]: import pandas as pd

In [2]: df = pd.DataFrame([{'a': 15, 'b': 15, 'c': 5}, {'a': 20, 'b': 10, 'c': 7}, {'a': 25, 'b': 30, 'c': 9}])

In [3]: df.assign(a=lambda df: df.a / 2)
Out[3]: 
      a   b  c
0   7.5  15  5
1  10.0  10  7
2  12.5  30  9

In [4]: df
Out[4]: 
    a   b  c
0  15  15  5
1  20  10  7
2  25  30  9

Beachten Sie, dass der Funktion der gesamte Datenrahmen übergeben wird, nicht nur die Spalte, die Sie ändern möchten. Sie müssen daher sicherstellen, dass Sie die richtige Spalte in Ihrem Lambda auswählen.

Wenn Sie wirklich über die Ausführungsgeschwindigkeit Ihrer Apply-Funktion besorgt sind und über einen großen Datensatz verfügen, an dem Sie arbeiten müssen, können Sie swifter verwenden, um eine schnellere Ausführung zu erzielen. Hier ein Beispiel für swifter on pandas dataframe:

import pandas as pd
import swifter

def fnc(m):
    return m*3+4

df = pd.DataFrame({"m": [1,2,3,4,5,6], "c": [1,1,1,1,1,1], "x":[5,3,6,2,6,1]})

# apply a self created function to a single column in pandas
df["y"] = df.m.swifter.apply(fnc)

Auf diese Weise können alle CPU-Kerne das Ergebnis berechnen, sodass es viel schneller als normale Anwendungsfunktionen ist. Versuchen Sie und lassen Sie mich wissen, ob es für Sie nützlich wird.

Lassen Sie mich eine komplexe Berechnung mit datetime und unter Berücksichtigung von Nullen oder Leerzeichen versuchen. Ich reduziere 30 Jahre für eine Datetime-Spalte und verwende die applyMethode sowie das lambdaKonvertieren des Datetime-Formats. Line if x != '' else xkümmert sich entsprechend um alle Leerzeichen oder Nullen.

df['Date'] = df['Date'].fillna('')
df['Date'] = df['Date'].apply(lambda x : ((datetime.datetime.strptime(str(x), '%m/%d/%Y') - datetime.timedelta(days=30*365)).strftime('%Y%m%d')) if x != '' else x)