Pandas知识点-详解行列级批处理函数apply-技术圈

在Pandas中，DataFrame和Series等对象需要执行批量处理操作时，可以借用apply()函数来实现。

apply()的核心功能是实现“批量”调度处理，至于批量做什么，由用户传入的函数决定（自定义或现成的函数）。函数传递给apply()，apply()会帮用户在DataFrame和Series等对象中（按行或按列）批量执行传入的函数。

先看一个例子：

# coding=utf-8
import pandas as pd

df = pd.DataFrame({'Col-1': [1, 3, 5], 'Col-2': [2, 4, 6], 'Col-3': [9, 8, 7], 'Col-4': [3, 6, 9]},
                  index=['A', 'B', 'C'])
print(df)
df_new = df.apply(lambda x: x-1)
print('-' * 30, '\n', df_new, sep='')

   Col-1  Col-2  Col-3  Col-4
A      1      2      9      3
B      3      4      8      6
C      5      6      7      9
------------------------------
   Col-1  Col-2  Col-3  Col-4
A      0      1      8      2
B      2      3      7      5
C      4      5      6      8

从这个例子可以看出，apply的使用非常简便且优雅，一行代码就对DataFrame中的所有数据都执行了一遍传入的匿名函数。

apply用法和参数介绍

apply(self, func, axis=0, raw=False, result_type=None, args=(), **kwds):

func: 应用于每一列或每一行的函数，这个函数可以是Python内置函数、Pandas或其他库中的函数、自定义函数、匿名函数。

axis: 设置批处理函数按列还是按行应用，0或index表示按列应用函数，1或columns表示按行应用函数，默认值为0。

raw: 设置将列/行作为Series对象传递给函数，还是作为ndarray对象传递给函数。raw是bool类型，默认为False。

False: 将列/行作为Series对象传递给函数。

True: 将列/行作为ndarray对象传递给函数。apply中的func函数将接收ndarray对象，如果应用numpy中的函数，这样可以提升性能。

result_type: 当axis=1时，设置返回结果的类型和样式，支持{'expand', 'reduce', 'broadcast', None}四种类型，默认为None。

expand: 列表式的结果将被转化为列。

reduce: 如果可能的话，返回一个Series，而不是返回列表式的结果。这与expand相反。

broadcast: 结果将被广播成DataFrame的原始形状，DataFrame的原始索引和列将被保留。

None: 结果取决于应用函数的返回值，列表式的结果将以Series形式返回，如果应用函数返回Series将会扩展到列。

args: 传给应用函数func的位置参数，args接收的数据类型为元组，如果只有一个位置参数要注意加逗号。

**kwds: 如果func中有关键字参数，可以传给**kwds。

raw和result_type通常不需要自己设置，保持默认即可。

下面依次介绍apply()函数的各种用法。

传入不同类型的函数

import numpy as np

df = pd.DataFrame({'Col-1': [1, 3, 5], 'Col-2': [2, 4, 6], 'Col-3': [9, 8, 7], 'Col-4': [3, 6, 9]},
                  index=['A', 'B', 'C'])
print(df)
df1 = df.apply(max)  # python内置函数
print('-' * 30, '\n', df1, sep='')
df2 = df.apply(np.mean)  # numpy中的函数
print('-' * 30, '\n', df2, sep='')
df3 = df.apply(pd.DataFrame.min)  # pandas中的方法
print('-' * 30, '\n', df3, sep='')

   Col-1  Col-2  Col-3  Col-4
A      1      2      9      3
B      3      4      8      6
C      5      6      7      9
------------------------------
Col-1    5
Col-2    6
Col-3    9
Col-4    9
dtype: int64
------------------------------
Col-1    3.0
Col-2    4.0
Col-3    8.0
Col-4    6.0
dtype: float64
------------------------------
Col-1    1
Col-2    2
Col-3    7
Col-4    3
dtype: int64

def make_ok(s):
    return pd.Series(['{}ok'.format(d) for d in s])


df4 = df.apply(make_ok)  # 自定义函数
print('-' * 30, '\n', df4, sep='')

------------------------------
  Col-1 Col-2 Col-3 Col-4
0   1ok   2ok   9ok   3ok
1   3ok   4ok   8ok   6ok
2   5ok   6ok   7ok   9ok

设置按行还是按列

def make_ok(s):
    if isinstance(s, pd.Series):
        if s.name in df.columns:
            return pd.Series(['{}ok-列'.format(d) for d in s])
        else:
            return pd.Series(['{}ok-行'.format(d) for d in s])
    else:
        return '{}ok'.format(s)


df5 = df.apply(make_ok, axis=0)  # 按列处理
print('-' * 30, '\n', df5, sep='')
df6 = df.apply(make_ok, axis=1)  # 按行处理
print('-' * 30, '\n', df6, sep='')

------------------------------
   Col-1  Col-2  Col-3  Col-4
0  1ok-列  2ok-列  9ok-列  3ok-列
1  3ok-列  4ok-列  8ok-列  6ok-列
2  5ok-列  6ok-列  7ok-列  9ok-列
------------------------------
       0      1      2      3
A  1ok-行  2ok-行  9ok-行  3ok-行
B  3ok-行  4ok-行  8ok-行  6ok-行
C  5ok-行  6ok-行  7ok-行  9ok-行

这里推演一下按列和按行的过程，当axis参数为0或index时，按列从DataFrame中取数据，如上面的例子先取到第一列Col-1:[1, 3, 5]，将第一列传给函数func，然后取第二列Col-2:[2, 4, 6]...以此类推。当axis参数为1或columns时，按行从DataFrame中取数据，如上面的例子先取到第一行A:[1, 2, 9, 3]，将第一行传递给函数func执行后取第二行，以此类推。

同时，当按列应用函数时，DataFrame的index变成了默认索引（0开始的自然数），当按行应用函数时，DataFrame的columns变成了默认索引，如果要保持与原DataFrame一样，则需要重新设置。

函数func的参数

def yes_or_no(s, answer):
    if answer != 'yes' and answer != 'no':
        answer = 'yes'
    if isinstance(s, pd.Series):
        return pd.Series(['{}-{}'.format(d, answer) for d in s])
    else:
        return '{}-{}'.format(s, answer)


df7 = df.apply(yes_or_no, args=('yes',))
df7.index = ['A', 'B', 'C']
print('-' * 30, '\n', df7, sep='')
df8 = df.apply(yes_or_no, args=('no',))
print('-' * 30, '\n', df8, sep='')
df9 = df.apply(yes_or_no, args=(0,))
print('-' * 30, '\n', df9, sep='')

------------------------------
   Col-1  Col-2  Col-3  Col-4
A  1-yes  2-yes  9-yes  3-yes
B  3-yes  4-yes  8-yes  6-yes
C  5-yes  6-yes  7-yes  9-yes
------------------------------
  Col-1 Col-2 Col-3 Col-4
0  1-no  2-no  9-no  3-no
1  3-no  4-no  8-no  6-no
2  5-no  6-no  7-no  9-no
------------------------------
   Col-1  Col-2  Col-3  Col-4
0  1-yes  2-yes  9-yes  3-yes
1  3-yes  4-yes  8-yes  6-yes
2  5-yes  6-yes  7-yes  9-yes

在apply()中，func函数的第一个参数默认会传入Series对象，这就是前面说的“将列/行作为Series对象传递给函数”，因此函数func至少要有一个参数，这个参数相当于类方法中的self，不需要在args中传值。如果func没有参数，则不能在apply中使用。

如果func的参数多于一个，则多出来的参数通过args传递，args接收一个元组，args里只有一个值时，需要加上逗号。如果func中有关键字参数，可以传到apply中**kwds的位置。

传入多个函数进行聚合

df10 = df.apply([np.max, np.min])
print('-' * 40, '\n', df10, sep='')
df11 = df.apply({'Col-1': np.mean, 'Col-2': np.min})
print('-' * 40, '\n', df11, sep='')
df12 = df.apply({'Col-1': [np.mean, np.median], 'Col-2': [np.min, np.mean]})
print('-' * 40, '\n', df12, sep='')

----------------------------------------
      Col-1  Col-2  Col-3  Col-4
amax      5      6      9      9
amin      1      2      7      3
----------------------------------------
Col-1    3.0
Col-2    2.0
dtype: float64
----------------------------------------
        Col-1  Col-2
mean      3.0    4.0
median    3.0    NaN
amin      NaN    2.0

当在apply中传入多个函数时，返回的结果被聚合成一个新的DataFrame或Series，作用类似于pandas中的聚合函数DataFrame.agg()。[后续文章会介绍agg()]

通过函数名字符串调用函数

df13 = df.apply('mean', axis=1)
print('-' * 30, '\n', df13, sep='')
df14 = df.apply(['mean', 'min'], axis=1)
print('-' * 30, '\n', df14, sep='')

------------------------------
A    3.75
B    5.25
C    6.75
dtype: float64
------------------------------
   mean  min
A  3.75  1.0
B  5.25  3.0
C  6.75  5.0

apply()支持函数名用字符串传给func，调用函数。

修改DataFrame本身

df15 = df.copy()
# 读取df的一列，将处理结果添加到原df中，增加一列
df15['Col-x'] = df15['Col-1'].apply(make_ok)
print('-' * 40, '\n', df15, sep='')
# 读取df的一行，将处理结果添加到原df中，增加一行
df15.loc['Z'] = df15.loc['A'].apply(yes_or_no, args=('yes',))
print('-' * 40, '\n', df15, sep='')

----------------------------------------
   Col-1  Col-2  Col-3  Col-4 Col-x
A      1      2      9      3   1ok
B      3      4      8      6   3ok
C      5      6      7      9   5ok
----------------------------------------
   Col-1  Col-2  Col-3  Col-4    Col-x
A      1      2      9      3      1ok
B      3      4      8      6      3ok
C      5      6      7      9      5ok
Z  1-yes  2-yes  9-yes  3-yes  1ok-yes

DataFrame增加一列或一行可以直接赋值，修改一个DataFrame后将结果赋值给本身，这样相当于修改了原始DataFrame。

Series使用apply

s0 = df['Col-2'].apply(make_ok)
print('-' * 20, '\n', s0, sep='')
s = pd.Series(range(5), index=[alpha for alpha in 'abcde'])
print('-' * 20, '\n', s, sep='')
s1 = s.apply(make_ok)
print('-' * 20, '\n', s1, sep='')

--------------------
A    2ok
B    4ok
C    6ok
Name: Col-2, dtype: object
--------------------
a    0
b    1
c    2
d    3
e    4
dtype: int64
--------------------
a    0ok
b    1ok
c    2ok
d    3ok
e    4ok
dtype: object

DataFrame中的一行或一列都是一个Series，所以用DataFrame的列或行调用apply()就相当于Series调用apply()。

在DataFrame中，apply()将行/列作为Series传给func函数，在Series中，apply()将Series中的每一个值传给func函数。对于这两种情况，func接受的参数类型完全不一样，因此使用时一定要注意func函数的参数类型，否则可能不适用。

s2 = s.apply(np.mean)
print('-' * 20, '\n', s2, sep='')
s3 = np.mean(s)
print('-' * 20, '\n', s3, sep='')

--------------------
a    0.0
b    1.0
c    2.0
d    3.0
e    4.0
dtype: float64
--------------------
2.0

将Series中的每一个值传给apply()中的函数func，返回的结果仍然是一个Series。将Series作为一个整体传给apply()中的函数func，有些函数返回的结果仍然是Series，如上面的自定义函数，有些函数返回的结果不再是Series，而是一个其他类型的数据，如numpy中的统计运算函数（mean、max、min）等。

因此DataFrame经过apply()批处理后，可能会变成一个Series，这是由apply()中的函数func的返回值决定的，与apply()无关。

以上就是pandas中的apply()函数的用法介绍和分析，希望对你有帮助，想要深入的了解apply()函数的底层原理，可以打个断点，在“Debugger”模式中看运行过程，也可以看源码。如果你有其他的想法或疑问，欢迎加我好友一起交流讨论。

参考文档：
[1] pandas中文网：https://www.pypandas.cn/docs/