本文實例講述了Python pandas自定義函數的使用方法。分享給大家供大家參考，具體如下：

自定義函數的使用

import numpy as npimport pandas as pd# todo 將自定義的函數作用到dataframe的行和列 或者Serise的行上ser1 = pd.Series(np.random.randint(-10,10,5),index=list('abcde'))df1 = pd.DataFrame(np.random.randint(-10,10,(4,5)),index=list('ACBD'),columns=list('abcde'))# todo 定義一個函數，求其和，絕對值，最大值減最小值的差值，平方def func(x): # print(x) print('--------------') num= np.max(x)-np.min(x) a = abs(x) b= x**2 # return num # return a return bprint(ser1.apply(func))def func1(x): # print(x) print('--------------') # num= np.max(x)-np.min(x) a = abs(x) b= x**2 # return num # return a return bprint(df1.apply(func1,axis = 1))# todo 使用匿名函數實現----求其和，絕對值，最大值減最小值的差值，print(df1.apply(lambda x:x**2,axis=1))print('------')print(df1.apply(lambda x:np.max(x)-np.min(x),axis=1))print('---------')print(df1.apply(lambda x:abs(x),axis=1))# applymap的使用# todo 使用applymap 因為applymap作用在每個元素上，所以不需要指定axisprint(df1.applymap(lambda x:x**2))print('---------')print(df1.applymap(lambda x:abs(x)))

排序

import numpy as npimport pandas as pdser1 = pd.Series(np.random.randint(-10,10,10),index=list('acbdfeghji'))df1 = pd.DataFrame(np.random.randint(-10,10,(4,5)),index=list('ADBC'),columns=list('abcde'))print(ser1)print(df1)print('------------------')# todo 按照索引排序 sort_index（）# print(ser1.sort_index())#默認升序# print(ser1.sort_index(ascending=False))#指定ascending為降序# print(df1.sort_index())#默認行升序# print(df1.sort_index(ascending=False))#行降序# print(df1.sort_index(axis=1))#列升序# print(df1.sort_index(ascending=False,axis=1))#列降序# todo 按照值排序print(ser1.sort_values())#默認升序print(ser1.sort_values(ascending=False))#指定ascending為降序# dataframe 對象比較復雜，需要按照哪一列來進行排序print(df1.sort_values(by='a'))#默認列升序print(df1.sort_values(by='a',ascending=False))#列降序print(df1.sort_values(by='A',axis=1))#行升序print(df1.sort_values(by='A',ascending=False,axis=1))#行降序

數據重構

import numpy as npimport pandas as pdser1 = pd.Series(np.random.randint(-10,10,10),index=[list('aabbccddee'),[1,2,1,2,1,2,1,2,1,2]])df1 = pd.DataFrame(np.random.randint(-10,10,(4,5)),index=list('aabb'),columns=list('abcde'))print(ser1)print(df1)print('-----------------------')# todo 外層索引取值print(ser1['a'])#獲取單個外層索引print(ser1['a':'e'])#獲取多個外層# todo 內層索引取值print(ser1[:,1])# todo 指定外層，內層索引取值print(ser1['a',1])# todo 交換分層-----swaplevel()print(ser1.swaplevel())# todo 將Sterise轉為dataframe對象外層索引作為行索引，內層索引作為列索引print(ser1.unstack())# todo 將dataframe轉為Sterise對象行索引作為外層索引行索引，列索引作為內層索引列print(df1.stack())# todo dataframe 轉字典print(df1.to_dict())# todo dataframe 轉csv文件print(df1.to_csv())

數據連接操作