首页
学习
活动
专区
工具
TVP
发布
精选内容/技术社群/优惠产品,尽在小程序
立即前往

在pandas中,如何将函数应用于返回两列的每一列

在Pandas中,如果你想要将一个函数应用于DataFrame的两列,并返回这两列的新值,你可以使用.apply()方法结合lambda函数来实现。以下是一个示例代码,展示了如何做到这一点:

代码语言:txt
复制
import pandas as pd

# 创建一个示例DataFrame
data = {
    'A': [1, 2, 3],
    'B': [4, 5, 6]
}
df = pd.DataFrame(data)

# 定义一个函数,该函数接受两个参数并返回它们的和
def add_columns(x, y):
    return x + y

# 使用apply方法和lambda表达式来应用函数到每一行的两列上
df['C'] = df.apply(lambda row: add_columns(row['A'], row['B']), axis=1)

print(df)

输出将会是:

代码语言:txt
复制
   A  B  C
0  1  4  5
1  2  5  7
2  3  6  9

在这个例子中,我们创建了一个新的列'C',它是通过将'A'列和'B'列对应行的值相加得到的。

如果你想要对每一列独立应用函数,你可以分别对每一列使用.apply()方法。例如:

代码语言:txt
复制
# 对'A'列应用一个函数
df['A_squared'] = df['A'].apply(lambda x: x**2)

# 对'B'列应用另一个函数
df['B_squared'] = df['B'].apply(lambda x: x**2)

print(df)

输出将会是:

代码语言:txt
复制
   A  B  C  A_squared  B_squared
0  1  4  5          1         16
1  2  5  7          4         25
2  3  6  9          9         36

在这个例子中,我们分别计算了'A'列和'B'列的平方,并将结果存储在新的列'A_squared'和'B_squared'中。

参考链接:

页面内容是否对你有帮助?
有帮助
没帮助

相关·内容

Python实现ExcelVLOOKUP、HLOOKUP、XLOOKUP函数功能

第一行,我们用一些参数定义了一个名为xlookup函数: lookup_value:我们感兴趣值,这将是一个字符串值 lookup_array:这是源数据框架一列,我们正在查找此数组/...“lookup_value” return_array:这是源数据框架一列,我们希望从该返回值 if_not_found:如果未找到”lookup_value”,将返回随后: lookup_array...但本质上,“向下拖动”是循环部分——我们只需要将xlookup函数应用于表df1一行。记住,我们不应该使用for循环遍历数据框架。...dataframe.apply(func, axis = 0,args=()) func:我们正在应用函数 axis:我们可以将该函数应用于行或。...默认情况下,其值是=0,代表行,而axis=1表示 args=():这是一个元组,包含要传递到func位置参数 下面是如何将xlookup函数应用到数据框架整个

7.1K11
  • 单列文本拆分为多,Python可以自动化

    标签:Python与Excel,pandas Excel,我们经常会遇到要将文本拆分。Excel文本拆分为,可以使用公式、“分列”功能或Power Query来实现。...对于了解Excel并且倾向于使用公式来解决此问题的人,第一反应可能是:好,我将创建一个可能包含FIND函数和LEFT函数或MID函数公式,然后向下拖动以将其应用于所有单元格。...看一个例子: 图6 上面的示例使用逗号作为分隔符,将字符串拆分为个单词。从技术上讲,我们可以使用字符作为分隔符。注意:返回结果是个单词(字符串)列表。 那么,如何将应用于数据框架?...让我们“姓名”尝试一下,以获得名字和姓氏。 图7 拆分是成功,但是当我们检查数据类型时,它似乎是一个pandas系列,每行是包含个单词列表。...我们想要是将文本分成pandas系列),需要用到split()方法一个可选参数:expand。当将其设置为True时,可以将拆分项目返回到不同

    7.1K10

    Pandas更改数据类型【方法总结】

    例如,上面的例子,如何将2和3转为浮点数?有没有办法将数据转换为DataFrame格式时指定类型?或者是创建DataFrame,然后通过某种方法更改类型?...理想情况下,希望以动态方式做到这一点,因为可以有数百个,明确指定哪些是哪种类型太麻烦。可以假定都包含相同类型值。...DataFrame 如果想要将这个操作应用到多个,依次处理一列是非常繁琐,所以可以使用DataFrame.apply处理一列。...在这种情况下,设置参数: df.apply(pd.to_numeric, errors='ignore') 然后该函数将被应用于整个DataFrame,可以转换为数字类型将被转换,而不能(例如,它们包含非数字字符串或日期...例如,用对象类型创建一个DataFrame,其中一个保存整数,另一个保存整数字符串: >>> df = pd.DataFrame({'a': [7, 1, 5], 'b': ['3','2','1

    20.3K30

    Pandas这3个函数,没想到竟成了我数据处理主力

    ,其中除了第一个参数age由调用该函数series进行向量化填充外,另个参数需要指定,apply即通过args传入。...应用到DataFrame每个Series DataFrame是pandas核心数据结构,其一行和一列都是一个Series数据类型。...上述apply函数完成了对四个数值求取最大值,其中缺省axis参数为0,对应行方向处理,即对一列数据求最大值。...Python中提到map关键词,个人首先联想到个场景:①一种数据结构,即字典或者叫映射,通过键值对方式组织数据,Python叫dict;②Python一个内置函数叫map,实现数据按照一定规则完成映射过程...而在Pandas框架,这种含义都有所体现:对一个Series对象每个元素实现字典映射或者函数变换,其中后者与apply应用于Series用法完全一致,而前者则仅仅是简单将函数参数替换为字典变量即可

    2.4K10

    pandas这几个函数,我看懂了道家“一生二、二生三、三生万物”

    而其中几个聚合统计函数,不仅常用更富有辩证思想,细品之下不禁让人拍手称快、直呼叫好! ? 本文主要讲解pandas7个聚合统计相关函数,所用数据创建如下: ?...如果说前面的三个函数主要适用于pandas一维数据结构series的话(nunique也可用于dataframe),那么接下来函数则是应用于二维dataframe。...当然,groupby强大之处在于,分组依据字段可以不只一列。例如想统计各班门课程平均分,语句如下: ? 不只是分组依据可以用多,聚合函数也可以是多个。...数据透视表本质上仍然数据分组聚合一种,只不过是以其中一列唯一值结果作为行、另一列唯一值结果作为,然后对其中任意(行,)取值坐标下所有数值进行聚合统计,就好似完成了数据透视一般。...以上参数,最重要有4个: values:用于透视统计对象列名 index:透视后行索引所在列名 columns:透视后索引所在列名 aggfunc:透视后聚合函数,默认是求均值 这里仍然以求各班门课程平均分为例

    2.5K10

    对比MySQL,学会在Pandas实现SQL常用操作

    1.Select数据查询 SQL,选择是使用您要选择(用逗号分隔)或(*选择所有)来完成。...SQL,您可以添加一个计算: SELECT *, "小费"/"总费用" as "小费占比" FROM df LIMIT 5; 对于pandas,可以使用DataFrame.assign()方法追加新...注意,pandas代码我们使用了size()而不是count()。这是因为count()将函数应用于一列,并返回一列记录数。...如果想要使用count()方法应用于单个的话,应该这样做。(后面需要随意选择一列) df.groupby('性别')["总费用"].count() 结果如下: ? 也可以一次应用多种功能。...例如,假设我们要查看小费金额一周各个天之间有何不同--->agg()允许您将字典传递给分组DataFrame,从而指示要应用于特定函数

    2.5K20

    2020年入门数据分析选择Python还是SQL?七个常用操作对比!

    SQL和Python几乎是当前数据分析师必须要了解门语言,它们处理数据时有什么区别?...SQL,进行选择同时还可以进行计算,比如添加一列 SELECT *, tip/total_bill as tip_rate FROM tips LIMIT 5; ?...而在pandas,按照条件进行查找则可以有多种形式,比如可以将含有True/FalseSeries对象传递给DataFrame,并返回所有带有True行 ?...pandas等价操作为 ? 注意,在上面代码,我们使用size()而不是count() 这是因为count()将函数应用于一列,并返回一列中非空记录数量!..., 'D', 'D', 'E'], ....: 'value': np.random.randn(4)}) 内连接 内联接使用比较运算符根据每个表共有的值匹配个表

    3.6K31

    「Python」矩阵、向量循环遍历

    Python,我们可以使用map()函数对list对象每一个元素进行循环迭代操作,例如: In [1]: a = [i for i in range(10)] In [2]: a Out[2]...对DataFrame对象使用该方法的话就是对矩阵一行或者一列进行遍历操作(通过axis参数来确定是行遍历还是遍历);对Series对象使用该方法的话,就是对Series每一个元素进行循环遍历操作...40]}) In [6]: df Out[6]: a b 0 10 20 1 20 30 2 30 40 In [7]: df.apply(sum) # 对df一列...iteritems()迭代每次取出i是一个元组,元组,第[0]项是原来列名称,第[1]是由原来该元素构成一个Series: In [20]: for i in df.iteritems...是一个向量,但是其中元素却是一个个数值,如何将个Series像个数值元素一样进行使用?

    1.4K10

    如何用Python将时间序列转换为监督学习问题

    本教程,你将了解到如何将单变量和多变量时间序列预测问题转换为机器学习算法处理监督学习问题。 完成本教程后,您将知道: 如何编写一个函数来将时间序列数据集转换为监督学习数据集。...t 0 0 1 1 2 2 3 3 4 4 5 5 6 6 7 7 8 8 9 9 通过观测值数据插入新一列,我们可以将上面展示观测值位置下移一格,由于新加一行并没有数据...(1) print(df) 运行代码,我们原有数据集基础上得到了数据,第一列为原始观测值,第二为下移后得到。...该函数返回一个值: return:为监督学习重组得到Pandas DataFrame序列。 新数据集将被构造为DataFrame,一列根据变量编号以及该左移或右移步长来命名。...上面的函数定义了默认名,所以你可以返回数据上直接调用,t-1 命名(X)可以作为输入,t 命名可以作为输出(y)。 该函数同时兼容Python 2和Python 3。

    24.8K2110

    python数据科学系列:pandas入门详细教程

    、切片访问、通函数、广播机制等 series是带标签一维数组,所以还可以看做是类字典结构:标签是key,取值是value;而dataframe则可以看做是嵌套字典结构,其中列名是key,一列series...为了沿袭字典访问习惯,还可以用keys()访问标签信息,series返回index标签,dataframe返回columns列名;可以用items()访问键值对,但一般用处不大。...是numpy基础上实现,所以numpy常用数值计算操作pandas也适用: 通函数ufunc,即可以像操作标量一样对series或dataframe所有元素执行同一操作,这与numpy...apply,既适用于series对象也适用于dataframe对象,但对二者处理粒度是不一样:apply应用于series时是逐元素执行函数操作;apply应用于dataframe时是逐行或者逐执行函数操作...仍然考虑前述学生成绩表例子,但是再增加一列班级信息,需求是统计各班级门课程平均分。

    13.9K20

    20个能够有效提高 Pandas数据分析效率常用函数,附带解释和例子

    我们有三个不同城市,不同日子进行测量。我们决定将这些日子表示为行。还将有一列显示测量值。...df.year.nunique() 10 df.group.nunique() 3 我们可以直接将nunique函数应用于dataframe,并查看唯一值数量: ?...Memory_usage Memory_usage()返回使用内存量(以字节为单位)。考虑下面的数据,其中一列有一百万行。...Merge Merge()根据共同值组合dataframe。考虑以下个数据: ? 我们可以基于共同值合并它们。设置合并条件参数是“on”参数。 ?...Applymap Applymap用于将一个函数应用于dataframe所有元素。请注意,如果操作矢量化版本可用,那么它应该优先于applymap。

    5.7K30

    Pandas数据分组函数应用(df.apply()、df.agg()和df.transform()、df.applymap())

    文章目录 apply()函数 介绍 样例 性能比较 apply() 数据聚合agg() 数据转换transform() applymap() 将自己定义或其他库函数应用于Pandas对象,有以下...3种方法: apply():逐行或逐应用该函数 agg()和transform():聚合和转换 applymap():逐元素应用函数 apply()函数 介绍 apply函数pandas里面所有函数自由度最高函数...这个函数需要自己实现,函数传入参数根据axis来定,比如axis = 1,就会把一行数据作为Series数据 结构传入给自己实现函数,我们函数实现对Series不同属性之间计算,返回一个结果...'> apply()返回结果与所用函数是相关返回结果是Series对象:如上述例子应用均值函数,就是一行或一列返回一个值; 返回大小相同DataFrame:如下面自定lambda函数...,将返回于原始DataFrame大小不同DataFrame,返回结果索引上第一级别是原始列名 第二级别上是转换函数名 >>> df.transform([lambda x:x-x.mean

    2.3K10

    Pandas速查卡-Python数据科学

    刚开始学习pandas时要记住所有常用函数和方法显然是有困难,所以Dataquest(https://www.dataquest.io/)我们主张查找pandas参考资料(http://pandas.pydata.org...如果你对pandas学习很感兴趣,你可以参考我们pandas教程指导博客(http://www.dataquest.io/blog/pandas-python-tutorial/),里面包含大部分内容...df.groupby([col1,col2]) 从多返回一组对象值 df.groupby(col1)[col2] 返回col2平均值,按col1值分组(平均值可以用统计部分几乎任何函数替换...(col1).agg(np.mean) 查找每个唯一col1组所有平均值 data.apply(np.mean) 每个列上应用函数 data.apply(np.max,axis=1) 每行上应用一个函数...() 查找每个最大值 df.min() 查找最小值 df.median() 查找中值 df.std() 查找每个标准差 点击“阅读原文”下载此速查卡打印版本 END.

    9.2K80

    Pandas知识点-统计运算函数

    使用DataFrame数据调用max()函数返回结果为DataFrame一列最大值,即使数据是字符串或object也可以返回最大值。...Pandas,数据获取逻辑是“先列后行”,所以max()默认返回一列最大值,axis参数默认为0,如果将axis参数设置为1,则返回结果是一行最大值,后面介绍其他统计运算函数同理。...min(): 返回数据最小值。使用DataFrame数据调用min()函数返回结果为DataFrame一列最小值,即使数据是字符串或object也可以返回最小值。...使用DataFrame数据调用mean()函数返回结果为DataFrame一列平均值,mean()与max()和min()不同是,不能计算字符串或object平均值,所以会自动将不能计算省略...使用DataFrame数据调用median()函数返回结果为DataFrame一列中位数,median()也不能计算字符串或object中位数,会自动将不能计算省略。 ?

    2.1K20

    Pandas速查手册中文版

    (1)官网: Python Data Analysis Library (2)十分钟入门Pandas: 10 Minutes to pandas 第一次学习Pandas过程,你会发现你需要记忆很多函数和方法...):返回col1分组所有均值 data.apply(np.mean):对DataFrame一列应用函数np.mean data.apply(np.max,axis=1):对DataFrame...一行应用函数np.max 数据合并 df1.append(df2):将df2行添加到df1尾部 df.concat([df1, df2],axis=1):将df2添加到df1尾部 df1...df.corr():返回之间相关系数 df.count():返回一列非空值个数 df.max():返回一列最大值 df.min():返回一列最小值 df.median():返回一列中位数...df.std():返回一列标准差

    12.2K92

    数据分析篇 | PyCon 大咖亲传 pandas 25 式,长文建议收藏

    pandas 自动把第一列当设置成索引了。 ? 注意:因为不能复用、重现,不推荐正式代码里使用 read_clipboard() 函数。 12....sum() 是聚合函数,该函数返回结果行数(1834行)比原始数据行数(4622行)少。 ?...要解决这个问题得用 transform() 方法,这个方法执行同样计算,但返回与原始数据行数一样输出结果,本例为 4622 行。 ?...接下来,为 DataFrame 新增一列,total_price。 ? 如上所示,一行都列出了对应订单总价。 这样一来,计算每行产品占订单总价百分比就易如反掌了。 ? 20....年龄列有 1 位小数,票价列有 4 位小数,如何将显示小数位数标准化? 用以下代码让这只显示 2 位小数。 ? 第一个参数是要设置选项名称,第二个参数是 Python 字符串格式。

    7.1K20

    Pandas 25 式

    pandas 自动把第一列当设置成索引了。 ? 注意:因为不能复用、重现,不推荐正式代码里使用 read_clipboard() 函数。 12....sum() 是聚合函数,该函数返回结果行数(1834行)比原始数据行数(4622行)少。 ?...要解决这个问题得用 transform() 方法,这个方法执行同样计算,但返回与原始数据行数一样输出结果,本例为 4622 行。 ?...接下来,为 DataFrame 新增一列,total_price。 ? 如上所示,一行都列出了对应订单总价。 这样一来,计算每行产品占订单总价百分比就易如反掌了。 ? 20....年龄列有 1 位小数,票价列有 4 位小数,如何将显示小数位数标准化? 用以下代码让这只显示 2 位小数。 ? 第一个参数是要设置选项名称,第二个参数是 Python 字符串格式。

    8.4K00

    Excel与pandas:使用applymap()创建复杂计算

    标签:Python与Excel,pandas 我们之前讨论了如何在pandas创建计算,并讲解了一些简单示例。...图1 创建一个辅助函数 现在,让我们创建一个取平均值函数,并将其处理/转换为字母等级。 图2 现在我们要把这个函数应用到每个学生身上。那么,对每个学生进行循环?不!...pandas applymap()方法 pandas提供了一种将自定义函数应用于或整个数据框架简单方法,就是.applymap()方法,这有点类似于map()函数作用。...注意下面的代码,我们只包含平均值上应用函数。因为我们知道第一列包含字符串,如果我们尝试对字符串数据应用letter_grade()函数,可能会遇到错误。...图3 我们仍然可以使用map()函数来转换分数等级,但是,需要在三一列上分别使用map(),而applymap()能够覆盖整个数据框架(多)。

    3.9K10

    数据科学原理与技巧 三、处理表格数据

    聚合应用于DataFrame一列,从而产生冗余信息。...现在让我们使用多分组,来计算每年和每个性别的最流行名称。 由于数据已按照年和性别的递减顺序排序,因此我们可以定义一个聚合函数,该函数返回每个序列第一个值。...应用 pandas序列包含.apply()方法,它接受一个函数并将其应用于序列每个值。...我们现在可以将最后一个字母一列添加到我们婴儿数据帧。...通过pandas文档查看绘图,我们了解到pandas将DataFrame一行绘制为一组条形,并将显示为不同颜色条形。 这意味着letter_dist表透视版本将具有正确格式。

    4.6K10
    领券