Python | Pandas.apply()
Mit Pandas.apply können Benutzer eine Funktion übergeben und auf jeden einzelnen Wert der Pandas-Reihe anwenden. Dies stellt eine enorme Verbesserung für die Pandas-Bibliothek dar, da diese Funktion dabei hilft, Daten entsprechend den erforderlichen Bedingungen zu trennen, wodurch sie effizient in der Datenwissenschaft und beim maschinellen Lernen eingesetzt werden können.
Installation:
Importieren Sie das Pandas-Modul mit den folgenden Befehlen auf dem Terminal in die Python-Datei:
pip install pandas
Um die CSV-Datei zu lesen und in eine Pandas-Reihe zu komprimieren, werden die folgenden Befehle verwendet:
import pandas as pd s = pd.read_csv('stock.csv', squeeze=True) Syntax:
s.apply(func, convert_dtype=True, args=())
Parameter:
Funktion: .apply übernimmt eine Funktion und wendet sie auf alle Werte der Pandas-Reihe an. konvertieren_dtype: Konvertieren Sie dtype gemäß der Operation der Funktion. args=(): Zusätzliche Argumente, die anstelle von Serien an die Funktion übergeben werden. Rückgabetyp: Pandas-Serie nach angewendeter Funktion/Bedienung.
Beispiel 1:
Das folgende Beispiel übergibt eine Funktion und prüft den Wert jedes Elements in Reihe und gibt entsprechend „Low“, „Normal“ oder „High“ zurück.
PYTHON3
import> pandas as pd> # reading csv> s> => pd.read_csv('stock.csv', squeeze> => True> )> # defining function to check price> def> fun(num):> > if> num <> 200> :> > return> 'Low'> > elif> num>> => 200> and> num <> 400> :> > return> 'Normal'> > else> :> > return> 'High'> # passing function to apply and storing returned series in new> new> => s.> apply> (fun)> # printing first 3 element> print> (new.head(> 3> ))> # printing elements somewhere near the middle of series> print> (new[> 1400> ], new[> 1500> ], new[> 1600> ])> # printing last 3 elements> print> (new.tail(> 3> ))> |
Ausgabe:
Beispiel #2:
Im folgenden Beispiel wird mithilfe von Lambda eine temporäre anonyme Funktion in .apply selbst erstellt. Es addiert 5 zu jedem Wert in der Reihe und gibt eine neue Reihe zurück.
PYTHON3
import> pandas as pd> s> => pd.read_csv('stock.csv', squeeze> => True> )> # adding 5 to each value> new> => s.> apply> (> lambda> num : num> +> 5> )> # printing first 5 elements of old and new series> print> (s.head(),> '
'> , new.head())> # printing last 5 elements of old and new series> print> (> '
'> , s.tail(),> '
'> , new.tail())> |
Ausgabe:
0 50.12 1 54.10 2 54.65 3 52.38 4 52.95 Name: Stock Price, dtype: float64 0 55.12 1 59.10 2 59.65 3 57.38 4 57.95 Name: Stock Price, dtype: float64 3007 772.88 3008 771.07 3009 773.18 3010 771.61 3011 782.22 Name: Stock Price, dtype: float64 3007 777.88 3008 776.07 3009 778.18 3010 776.61 3011 787.22 Name: Stock Price, dtype: float64
Wie beobachtet: Neue Werte = alte Werte + 5
