有没有更好的方法来迭代数据帧的每一行？ [复制]答案

【问题标题】：Is there a better way to iterate over every row of a dataframe? [duplicate]有没有更好的方法来迭代数据帧的每一行？ [复制]
【发布时间】：2021-01-08 19:22:27
【问题描述】：

我正在做这个迭代来为数据帧的每个单个值执行不同的函数：

作为 xxx 一个 2-col 数据帧

for i in range(1, len(xxx)):
row = xxx[i-1:i]
do_something(row['value1'])
do_something_else(row['value2'])

这很好用，但我一直想知道是否有某种方法可以使相同的操作更具可读性

请回答我应该检查的概念或库

【问题讨论】：

这能回答你的问题吗？ How to iterate over rows in a DataFrame in Pandas
如果您需要遍历数据框的行，您应该认真质疑数据框是否是数据的最佳表示。几乎所有用途都可以通过某种形式的矢量化更好地解决：将函数应用于数据帧的所有行（即让运行时系统管理您的迭代）。

标签： python pandas dataframe

【解决方案1】：

一种可能的解决方案是对数据框的列使用map 常规functions 或lambda 函数，这比循环（例如df.iterrows()）更快更高效。

这里是基于答案here 的有效数据帧/序列操作方法的总结：

map 适用于系列仅
applymap 适用于数据帧仅
apply 适用于 BOTH

` 这是一个玩具示例：

import pandas as pd
import numpy as np

df = pd.DataFrame(np.random.randn(4, 2), columns=list('AB'))
print(df)

def square(x):
   return x**2

#mapping a lambda function
print('Result of mapping with a lambda function')
df['A'] = df['A'].map(lambda x : x**2)
print(df)

#mapping a regular function
print('Result of mapping with a regular function')
df['C']  =df['A'].map(square)
print(df)

#apply
print('Result of applymap a regular function')
df1 = df.applymap(square)
print(df1)


#apply
print('Result of applying with a regular function')
df2 = df.apply(square)
print(df2)

输出：

          A         B
0 -0.030899 -2.206942
1  0.080991  0.049431
2  1.190754 -0.101161
3  0.794870 -0.969503

Result of mapping with a lambda function
          A         B
0  0.000955 -2.206942
1  0.006560  0.049431
2  1.417894 -0.101161
3  0.631818 -0.969503

Result of mapping with a regular function
          A         B             C
0  0.000955 -2.206942  9.115775e-07
1  0.006560  0.049431  4.302793e-05
2  1.417894 -0.101161  2.010425e+00
3  0.631818 -0.969503  3.991945e-01

Result of applymap with a regular function
              A         B             C
0  9.115775e-07  4.870592  8.309735e-13
1  4.302793e-05  0.002443  1.851403e-09
2  2.010425e+00  0.010234  4.041807e+00
3  3.991945e-01  0.939936  1.593563e-01

Result of applying with a regular function
              A         B             C
0  9.115775e-07  4.870592  8.309735e-13
1  4.302793e-05  0.002443  1.851403e-09
2  2.010425e+00  0.010234  4.041807e+00
3  3.991945e-01  0.939936  1.593563e-01

【讨论】：

【解决方案2】：

您也可以尝试使用 lambda 函数和 apply 方法，如下所示：

假设您有一个函数将元素转换为字符串，然后将该字符串大写。

def capitalize(cell):
    return str(cell).capitalize()

然后，您可以将该函数应用于所选列的每一行。

df["Column"].apply(lambda x: capitalize(x))

【讨论】：

【解决方案3】：

您可以使用 apply：沿 DataFrame 的轴（行或列）应用函数：

pandas.DataFrame.apply

DataFrame.apply(func, axis=0, raw=False, result_type=None, args=(), **kwds)

【讨论】：

【解决方案4】：

试试这个：

df=pd.DataFrame([[1,2,3,4],['A','B','C','D']]).T
df.columns=['A','B']
def func(X):
    return X**2
r=map(func, df['A'])
df['A']=pd.DataFrame(r)

【讨论】：