


Anwenden von Funktionen auf mehrere Spalten in Pandas-Datenrahmen
Das elementweise Anwenden von Funktionen auf mehrere Spalten in Pandas-Datenrahmen kann eine häufige Aufgabe sein. In diesem Beispiel zeigen wir, wie Sie eine Funktion auf zwei bestimmte Spalten „col_1“ und „col_2“ anwenden, um eine neue Spalte „col_3“ zu erstellen.
Definieren Sie zunächst die Funktion, die Sie anwenden möchten. In diesem Fall haben wir get_sublist, das zwei Argumente akzeptiert, sta und end. Diese Funktion soll eine Unterliste einer vordefinierten Liste mylist basierend auf den Eingabeargumenten zurückgeben.
Als nächstes erstellen Sie einen Pandas DataFrame (df), der die Spalten enthält, mit denen Sie arbeiten möchten. Stellen Sie sicher, dass die Spalten über geeignete Datentypen für Ihre Funktion verfügen.
Um die Funktion auf mehrere Spalten anzuwenden, verwenden Sie die Apply-Funktion von Pandas. Diese Funktion übernimmt eine Funktion und wendet sie auf jede Zeile des DataFrame an. Es erfordert die Angabe des Achsenarguments, das auf 1 gesetzt werden sollte, um die Funktion zeilenübergreifend anzuwenden.
Die Verwendung der Apply-Funktion mit Positionsargumenten kann jedoch zu Fehlern führen. Um dies zu umgehen, können wir eine anonyme Funktion (auch als Lambda-Funktion bekannt) als anzuwendendes Argument verwenden. Die Lambda-Funktion kann über deren Namen auf die Spaltenwerte der aktuellen Zeile zugreifen.
Hier ist der Code:
df['col_3'] = df.apply(lambda x: get_sublist(x.col_1, x.col_2), axis=1)
Dieser Code erstellt eine neue Spalte, „col_3“, mit dem Ergebnis Anwenden der Funktion get_sublist auf jede Zeile von „col_1“ und „col_2“. Die Lambda-Funktion stellt sicher, dass die richtigen Argumente an die Funktion get_sublist übergeben werden.
Als Ergebnis erhalten Sie einen DataFrame mit der gewünschten Ausgabe, wobei jede Zeile in „col_3“ eine Unterliste basierend auf den entsprechenden Werten enthält in 'col_1' und 'col_2'.
Das obige ist der detaillierte Inhalt vonWie wende ich eine Funktion auf mehrere Pandas DataFrame-Spalten an?. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!

In diesem Artikel wird erklärt, wie man schöne Suppe, eine Python -Bibliothek, verwendet, um HTML zu analysieren. Es beschreibt gemeinsame Methoden wie find (), find_all (), select () und get_text () für die Datenextraktion, die Behandlung verschiedener HTML -Strukturen und -Anternativen (SEL)

Das Statistikmodul von Python bietet leistungsstarke Datenstatistikanalysefunktionen, mit denen wir die allgemeinen Merkmale von Daten wie Biostatistik und Geschäftsanalyse schnell verstehen können. Anstatt Datenpunkte nacheinander zu betrachten, schauen Sie sich nur Statistiken wie Mittelwert oder Varianz an, um Trends und Merkmale in den ursprünglichen Daten zu ermitteln, die möglicherweise ignoriert werden, und vergleichen Sie große Datensätze einfacher und effektiv. In diesem Tutorial wird erläutert, wie der Mittelwert berechnet und den Grad der Dispersion des Datensatzes gemessen wird. Sofern nicht anders angegeben, unterstützen alle Funktionen in diesem Modul die Berechnung der Mittelwert () -Funktion, anstatt einfach den Durchschnitt zu summieren. Es können auch schwimmende Punktzahlen verwendet werden. zufällig importieren Statistiken importieren Aus Fracti

Serialisierung und Deserialisierung von Python-Objekten sind Schlüsselaspekte eines nicht trivialen Programms. Wenn Sie etwas in einer Python -Datei speichern, führen Sie eine Objektserialisierung und Deserialisierung durch, wenn Sie die Konfigurationsdatei lesen oder auf eine HTTP -Anforderung antworten. In gewisser Weise sind Serialisierung und Deserialisierung die langweiligsten Dinge der Welt. Wen kümmert sich um all diese Formate und Protokolle? Sie möchten einige Python -Objekte bestehen oder streamen und sie zu einem späteren Zeitpunkt vollständig abrufen. Dies ist eine großartige Möglichkeit, die Welt auf konzeptioneller Ebene zu sehen. Auf praktischer Ebene können das von Ihnen ausgewählte Serialisierungsschema, Format oder Protokoll jedoch die Geschwindigkeit, Sicherheit, den Status der Wartungsfreiheit und andere Aspekte des Programms bestimmen

Dieser Artikel vergleicht TensorFlow und Pytorch für Deep Learning. Es beschreibt die beteiligten Schritte: Datenvorbereitung, Modellbildung, Schulung, Bewertung und Bereitstellung. Wichtige Unterschiede zwischen den Frameworks, insbesondere bezüglich des rechnerischen Graps

In dem Artikel werden beliebte Python-Bibliotheken wie Numpy, Pandas, Matplotlib, Scikit-Learn, TensorFlow, Django, Flask und Anfragen erörtert, die ihre Verwendung in wissenschaftlichen Computing, Datenanalyse, Visualisierung, maschinellem Lernen, Webentwicklung und h beschreiben

Dieser Artikel führt die Python-Entwickler in den Bauen von CLIS-Zeilen-Schnittstellen (CLIS). Es werden mit Bibliotheken wie Typer, Click und ArgParse beschrieben, die Eingabe-/Ausgabemedelung betonen und benutzerfreundliche Designmuster für eine verbesserte CLI-Usabilität fördern.

Dieses Tutorial baut auf der vorherigen Einführung in die schöne Suppe auf und konzentriert sich auf DOM -Manipulation über die einfache Baumnavigation hinaus. Wir werden effiziente Suchmethoden und -techniken zur Änderung der HTML -Struktur untersuchen. Eine gemeinsame DOM -Suchmethode ist Ex

Der Artikel erörtert die Rolle virtueller Umgebungen in Python und konzentriert sich auf die Verwaltung von Projektabhängigkeiten und die Vermeidung von Konflikten. Es beschreibt ihre Erstellung, Aktivierung und Vorteile bei der Verbesserung des Projektmanagements und zur Verringerung der Abhängigkeitsprobleme.


Heiße KI -Werkzeuge

Undresser.AI Undress
KI-gestützte App zum Erstellen realistischer Aktfotos

AI Clothes Remover
Online-KI-Tool zum Entfernen von Kleidung aus Fotos.

Undress AI Tool
Ausziehbilder kostenlos

Clothoff.io
KI-Kleiderentferner

AI Hentai Generator
Erstellen Sie kostenlos Ai Hentai.

Heißer Artikel

Heiße Werkzeuge

Dreamweaver Mac
Visuelle Webentwicklungstools

SublimeText3 chinesische Version
Chinesische Version, sehr einfach zu bedienen

SAP NetWeaver Server-Adapter für Eclipse
Integrieren Sie Eclipse mit dem SAP NetWeaver-Anwendungsserver.

Sicherer Prüfungsbrowser
Safe Exam Browser ist eine sichere Browserumgebung für die sichere Teilnahme an Online-Prüfungen. Diese Software verwandelt jeden Computer in einen sicheren Arbeitsplatz. Es kontrolliert den Zugriff auf alle Dienstprogramme und verhindert, dass Schüler nicht autorisierte Ressourcen nutzen.

VSCode Windows 64-Bit-Download
Ein kostenloser und leistungsstarker IDE-Editor von Microsoft
