Aplicação de Funções do Pandas

Exemplo de operação de reconstituição de índice do Pandas

Para aplicar suas próprias funções ou funções de outras bibliotecas a objetos Pandas, você deve entender três métodos importantes. Como follows. O método a ser usado depende de se você deseja operar no conjunto de dados inteiro, nas linhas, nas colunas ou em nível de elemento.

Aplicação de funções em tabelas: pipe() Aplicação de funções em linhas ou colunas: apply() Aplicação de funções em nível de elemento: applymap()

Aplicação de funções em tabelas

Pode-se executar operações personalizadas no DataFrame passando uma função e a quantidade apropriada de parâmetros como parâmetros de canal.

Função aditiva

Por exemplo, adicione2Adicionamos um valor ao DataFrame. A função aditiva adiciona dois valores numéricos e retorna a soma.

　　def adder(ele1,ele2) :
　　　　return ele1+ele2

Usamos funções personalizadas para operar no DataFrame.

　df = pd.DataFrame(np.random.randn(5,3),columns=['col1','col2','col3'])
　df.pipe(adder,2)

Vamos ver o programa completo:

　import pandas as pd
　import numpy as np
　def adder(ele1,ele2) :
　　　　return ele1+ele2
　df = pd.DataFrame(np.random.randn(5,3),columns=['col1','col2','col3'])
　df.pipe(adder,2)
　print(df.apply(np.mean))

Resultados da Execução:

　　　　　　　col1　col2　col3
　0　2.176704　2.219691　1.509360
　1　2.222378　2.422167　3.953921
　2　2.241096　1.135424　2.696432
　3　2.355763　0.376672　1.182570
　4　2.308743　2.714767　2.130288

Aplicação de funções em linhas ou colunas

Pode usar o método apply() para aplicar qualquer função ao eixo de um DataFrame ou Panel, semelhante aos métodos de estatísticas descritivas, que utilizam o parâmetro opcional axis. Por padrão, a operação é executada em colunas, considerando cada coluna como uma forma de array.

Instância 1

　import pandas as pd
　import numpy as np
　df = pd.DataFrame(np.random.randn(5,3),columns=['col1','col2','col3'])
　df.apply(np.mean)
　print(df.apply(np.mean))

Resultados da Execução:

　col1　-0.288022
　col2　1.044839
　col3　-0.187009
　dtype: float64

Pode-se executar a operação linha a linha passando o parâmetro axis.

Instância 2

　import pandas as pd
　import numpy as np
　df = pd.DataFrame(np.random.randn(5,3),columns=['col1','col2','col3'])
　df.apply(np.mean,axis=1)
　print(df.apply(np.mean))

Resultados da Execução:

　col1　0.034093
　col2　-0.152672
　col3　-0.229728
　dtype: float64

Instância 3

　import pandas as pd
　import numpy as np
　df = pd.DataFrame(np.random.randn(5,3),columns=['col1','col2','col3'])
　df.apply(lambda x: x.max()　-　x.min())
　print(df.apply(np.mean))

Resultados da Execução:

　col1　-0.167413
　col2　-0.370495
　col3　-0.707631
　dtype: float64

Aplicação de Função a Nível de Elemento

Não todas as funções podem ser aplicadas vectorizadamente (os arrays NumPy nem retornam outro array, nem retornam nenhum valor), o método applymap() do DataFrame e o map() da Series do Pandas aceitam qualquer função Python que aceita um único valor e retorna um único valor.

Instância 1

　import pandas as pd
　import numpy as np
　df = pd.DataFrame(np.random.randn(5,3),columns=['col1','col2','col3'])
　# Função Personalizada
　df['col1'].map(lambda x:x*100)
　print(df.apply(np.mean))

Resultados da Execução:

　col1　0.480742
　col2　0.454185
　col3　0.266563
　dtype: float64

Instância 2

　import pandas as pd
　import numpy as np
　# Função Personalizada
　df = pd.DataFrame(np.random.randn(5,3),columns=['col1','col2','col3'])
　df.applymap(lambda x:x*100)
　print(df.apply(np.mean))

Resultados da Execução:

　col1　0.395263
　col2　0.204418
　col3　-0.795188
　dtype: float64