Pandas：如何在不循环的情况下使用带有参数的 applymap/apply 函数到数据帧

Question

背景

Link 1 表明 apply 可以应用于系列。我想在 DataFrame 的子集上使用 apply 函数，而不需要遍历列。

示例代码

创建大小为 7、7 的示例 DataFrame

def f_test_df(n_rows, n_cols):
    df1 = pd.DataFrame(np.random.rand(n_rows, n_cols))
    df = df1.applymap(lambda x: round(x*10))
    return df 

np.random.seed(seed=1)
df1 = f_test_df(7, 7)

如果数字在预定义的范围内，则所需的函数应该返回相同的值，否则根据它是在限制的下限还是上限，应该返回相应的值。要应用的函数如下：

def f_bounds(x, lower, upper):
    if x < lower:
        return 'lower'
    elif x > upper:
        return 'upper'
    else:
        return x

需要应用函数的 DataFrame 的选定部分

df1.loc[2:5, 2:5]

应用函数：

lower = 2
upper = 5
df1.loc[2:5, 2:5].apply(f_bounds, args=(lower, upper))

我遇到了以下错误：

ValueError: The truth value of a Series is ambiguous. Use a.empty, a.bool(), a.item(), a.any() or a.all().

因此，我改变了方法并使用了跨列循环，如下所示（效果很好）：

for j in range(2, 5):
    print(df1.loc[2:5, j].apply(f_bounds, args=(lower, upper)))

其他未经测试的方法

Link 2 此处参考答案 2，建议不要将 applymap 与参数一起使用。所以，我没有使用applymap，因为该函数需要两个额外的参数。读者请注意，applymap已在答案中使用。

期望的结果

我想实现这个需要争论的功能，而不是将列循环到数据框。

Answer 1

您可以直接使用 applymap 和 lambda 函数，该函数接受 DataFrame 窗口上的参数。然后可以直接更新视图来更新原来的DataFrame -

df1.loc[2:5, 2:5] = df1.loc[2:5, 2:5].applymap(lambda x: f_bounds(x, lower, upper))
print(df1)

    0  1      2      3      4      5  6
0   4  7      0      3      1      1  2
1   3  4      5      4      7      2  9
2   0  7      4  upper  lower      2  8
3  10  3  upper  upper  upper  lower  0
4   2  9  lower      4  upper      5  7
5   3  7  upper  lower  upper  upper  7
6   3  8      1      4      9      3  3

---

编辑：

这是不使用 apply 或 applymap 的另一种方法

cond1 = df1[(df1.loc[2:5, 2:5]<lower)].notna()
cond2 = df1[(df1.loc[2:5, 2:5]>upper)].notna() 
df1_new = df1.where(~cond1, 'lower').where(~cond2, 'upper')
print(df1_new)

    0  1      2      3      4      5  6
0   4  7      0      3      1      1  2
1   3  4      5      4      7      2  9
2   0  7      4  upper  lower      2  8
3  10  3  upper  upper  upper  lower  0
4   2  9  lower      4  upper      5  7
5   3  7  upper  lower  upper  upper  7
6   3  8      1      4      9      3  3

Answer 2

您可以将stack 与unstack 一起使用：

lower = 2
upper = 5
a = df1.loc[2:5, 2:5].stack().apply(f_bounds, args=(lower, upper)).unstack()
print (a)
       2      3      4      5
2      4  upper  lower      2
3  upper  upper  upper  lower
4  lower      4  upper      5
5  upper  lower  upper  upper

或者将DataFrame传递给函数：

def f_bounds(x, lower, upper):
    m1 = x < lower
    m2 = x > upper
    
    return np.select([m1, m2], ['lower', 'upper'], default=x)

    
lower = 2
upper = 5
a = pd.DataFrame(f_bounds(df1.loc[2:5, 2:5], 2 ,5),
                 index=df1.index[2:6],
                 columns = df1.columns[2:6])