apply()批量数据处理

import pandas as pdIn [4]: data = [{'A': i, 'B': 2*i} for i in range(1, 8, 2)]In [5]: data
Out[5]: [{'A': 1, 'B': 2}, {'A': 3, 'B': 6}, {'A': 5, 'B': 10}, {'A': 7, 'B': 14}]In [6]: data = pd.DataFrame(data) # 创建DataFrame对象In [7]: data
Out[7]:A   B
0  1   2
1  3   6
2  5  10
3  7  14# 取出某一列
In [8]: data['B']
Out[8]:
0     2
1     6
2    10
3    14
Name: B, dtype: int64# 单列批处理
# 可以自定义函数def function():passdata['B'].apply(function)In [9]: data['B'].apply(lambda x: x/2)
Out[9]:
0    1.0
1    3.0
2    5.0
3    7.0
Name: B, dtype: float64# 按行批处理
In [10]: data.apply(lambda row:row['A'] + row['B'], axis=1)
Out[10]:
0     3
1     9
2    15
3    21
dtype: int64# 全体批处理
In [11]: data.apply(lambda x: x/2)
Out[11]:A    B
0  0.5  1.0
1  1.5  3.0
2  2.5  5.0
3  3.5  7.0

条件筛选及缺失值处理

In [20]: data = [{'A': i, 'B': 2*i} for i in range(1, 8, 2)]In [21]:  data = pd.DataFrame(data) # 创建DataFrame对象In [22]: data
Out[22]:A   B
0  1   2
1  3   6
2  5  10
3  7  14# 首先判断True或False，然后选出值为True的数据
In [23]: data[data['A']>4]
Out[23]:A   B
2  5  10
3  7  14In [25]: data[(data['A']>4) & (data['B']<12)]
Out[25]:A   B
2  5  10In [12]: data.where(data>5)
Out[12]:A     B
0  NaN   NaN
1  NaN   6.0
2  NaN  10.0
3  7.0  14.0# 直接删除含有缺失值的数据行
In [13]: data.where(data>5).dropna()
Out[13]:A     B
3  7.0  14.0# 对缺失值进行赋值填充
In [14]: data.where(data>5).fillna({'A':1, 'B':2})
Out[14]:A     B
0  1.0   2.0
1  1.0   6.0
2  1.0  10.0
3  7.0  14.0

拼接DataFrame

# 创建包含3个DataFrame的列表
In [15]: data = [data for i in range(3)]# 竖向拼接
In [17]: pd.concat(data)
Out[17]:A   B
0  1   2
1  3   6
2  5  10
3  7  14
0  1   2
1  3   6
2  5  10
3  7  14
0  1   2
1  3   6
2  5  10
3  7  14# 横向拼接
In [18]: pd.concat(data, axis=1)
Out[18]:A   B  A   B  A   B
0  1   2  1   2  1   2
1  3   6  3   6  3   6
2  5  10  5  10  5  10
3  7  14  7  14  7  14

Pandas使用技巧-apply，条件筛选相关推荐

【Pandas学习】多条件筛选DataFrame
目录一.按列筛选 1.简单筛选 2.多条件筛选二.按行筛选三.多条件组合一.按列筛选 1.简单筛选 DataFrame\Series 执行>.<.==这些运算符时,会将每一个元素进 ...
pandas apply lambda_一分钟一个Pandas小技巧（二）
" 在逛Kaggle的时候发现了一篇不错的Pandas技巧,我将挑选一些有用的并外加一些自己的想法分享给大家.本系列虽基础但带仍有一些奇怪操作,粗略扫一遍,您或将发现一些您需要的技巧.&qu ...
python input函数赋值法_DataFrame添加列(赋值法、apply()、assign()、条件筛选)
在DataFrame添加一列常用4种方法,分别是1.直接赋值法; 2.apply函数;3.assign函数; 4.条件筛选,此外,concat函数也可以灵活的添加列,insert函数可以插入列,后续专 ...
Pandas处理excel数据笔记（数据透视|多条件筛选）
遇到复杂条件下海量的数据透视任务,excel难以驾驭.如对不同部门在不同年份吸收了什么学历的员工,pandas的筛选发挥了神奇的作用. 一.导包 pip install pandas pip inst ...
pandas使用组合条件筛选、过滤数据行
pandas使用组合条件筛选.过滤数据行目录 pandas使用组合条件筛选.过滤数据行 #仿真数据
Pandas常见的数据过滤方法、通过列条件筛选行数据
Pandas常见的数据过滤方法.通过列条件筛选行数据不废话了,直接看代码吧: 一般情况下,前面5种就覆盖了绝大多数需求 import pandas as pd import numpy as npd ...
Py之pandas：利用isin函数对dataframe格式数据按照多个字段的条件筛选
Py之pandas:利用isin函数对dataframe格式数据按照多个字段的条件筛选目录利用isin函数对dataframe格式数据按照多个字段的条件筛选代码设计输出结果
Pandas条件筛选 | Python技能树征题
相关知识筛选是数据处理中非常频繁使用的功能,而Pandas对表格型数据(Pandas.DataFrame)已经封装了非常完善的条件筛选功能,他们支持下面五种比较运算符和两种逻辑运算符. 运算符含义 ...
mongo 多条件筛选_Excel筛选功能，你确定这些小技巧你都玩明白了
Excel筛选功能,大家都不陌生,工作中经常用到,但是对于筛选,除了常用的筛选功能外,还可以使用高级筛选技巧.一提起这些技巧,各位是不是一脸懵,没关系,只要想学就什么时候都不晚. 筛选功能是很强大的, ...

Pandas使用技巧-apply，条件筛选

apply()批量数据处理

条件筛选及缺失值处理

拼接DataFrame

Pandas使用技巧-apply，条件筛选相关推荐

最新文章

热门文章