我们可以用DataFrame的apply函数实现对多列，多行的操作。
需要记住的是，参数axis设为1是对列进行操作，参数axis设为0是对行操作。默认是对行操作。
apply 返回多列
# height = [70, 90, 100, 120, 140, 160, 180, 200，220，240， 260] # 长度为 11 # df.shape (1000, 11) # 对df的每一行的每一个元素操作，然后再返回多列 #----------返回多列----------------- df = df.apply(lambda x: pd.Series([math.atan(i[0]/(i[1])*180/math.pi for i in zip(height, x)]).astype(float), axis=1) .rename(columns=dict(zip(list(range(0, 11)), df.columns))) #df['slope'] = df_10min.apply(lambda x: math.atan(210 / (x['ws_260'] - x['ws_50'] 1e-7))*180/math.pi, axis=1)
import pandas as pd
df_tmp = pd.DataFrame([
{"a":"data1", "cnt":100},{"a":"data2", "cnt":200},
])
df_tmp
a cnt
data1 100
data2 200
方法一：使用apply 的参数result_type 来处理
def formatrow(row):
a = row["a"] str(row["cnt"])
b = str(row["cnt"]) row["a"]
return a, b
df_tmp[["fomat1", "format2"]] = df_tmp.apply(formatrow, axis=1, result_type="expand")
df_tmp
a cnt fomat1 format2
data1 100 data1100 100data1
data2 200 data2200 200data2
方法一：使用zip打包返回结果来处理
df_tmp["fomat1-1"], df_tmp["format2-2"] = zip(*df_tmp.apply(formatrow, axis=1))
df_tmp
a cnt fomat1 format2 fomat1-1 format2-2
data1 100 data1100 100data1 data1100 100data1
data2 200 data2200 200data2 data2200 200data2生成新列
现在有如下一个DataFrame：
np.random.seed(1)
df = pd.DataFrame(np.random.randn(4,2), columns=['A', 'B'])
df
>>>
A B
0 1.624345 -0.611756
1 -0.528172 -1.072969
2 0.865408 -2.301539
3 1.744812 -0.761207
对A, B两列操作，生成C列, 其中C是字符串，由A ± B组成。下面看一下结果就明白了。
df['C'] = df.apply(lambda x: '{:.2f}±{:.2f}'.format(x['A'], x['B']), axis=1)
看一下效果
A B C
0 1.624345 -0.611756 1.62±-0.61
1 -0.528172 -1.072969 -0.53±-1.07
2 0.865408 -2.301539 0.87±-2.30
3 1.744812 -0.761207 1.74±-0.76
多行操作举例
同理可以作用在多行上。
# 对第 10 行进行操作，基于第2、3两行
df.loc[10] = df.apply(lambda x: '{:.2f}±{:.2f}'.format(x[2], x[3]) )
看一下实现的效果
A B
0 1.624345 -0.611756
1 -0.528172 -1.072969
2 0.865408 -2.301539
3 1.744812 -0.761207
10 0.87±1.74 -2.30±-0.76
参考链接
[1] pandas的DataFrame使用apply实现对多列，多行操作 2021.12
[2] pandas 的apply返回多列，并赋值 2020.4
到此这篇关于python中pandas操作apply返回多列的实现的文章就介绍到这了,更多相关pandas apply返回多列内容请搜索Devmax以前的文章或继续浏览下面的相关文章希望大家以后多多支持Devmax！