如何将函数应用于两列 Pandas 数据框

Question

假设我有一个df，其中包含'ID', 'col_1', 'col_2' 列。我定义了一个函数：

f = lambda x, y : my_function_expression.

现在我想将f 应用到df 的两列'col_1', 'col_2' 以逐元素计算一个新列'col_3'，有点像：

df['col_3'] = df[['col_1','col_2']].apply(f)  
# Pandas gives : TypeError: ('<lambda>() takes exactly 2 arguments (1 given)'

怎么办？

** 添加详细示例如下***

import pandas as pd

df = pd.DataFrame({'ID':['1','2','3'], 'col_1': [0,2,3], 'col_2':[1,4,5]})
mylist = ['a','b','c','d','e','f']

def get_sublist(sta,end):
    return mylist[sta:end+1]

#df['col_3'] = df[['col_1','col_2']].apply(get_sublist,axis=1)
# expect above to output df as below 

  ID  col_1  col_2            col_3
0  1      0      1       ['a', 'b']
1  2      2      4  ['c', 'd', 'e']
2  3      3      5  ['d', 'e', 'f']

Answer 1

这是一个更快的解决方案：

def func_1(a,b):
    return a + b

df["C"] = func_1(df["A"].to_numpy(),df["B"].to_numpy())

这比 @Aman 的 df.apply(f, axis=1) 快 380 倍，比 @ajrwhite 的 df['col_3'] = df.apply(lambda x: f(x.col_1, x.col_2), axis=1) 快 310 倍。

我也添加了一些基准：

结果：

  FUNCTIONS   TIMINGS   GAIN
apply lambda    0.7     x 1
apply           0.56    x 1.25
map             0.3     x 2.3
np.vectorize    0.01    x 70
f3 on Series    0.0026  x 270
f3 on np arrays 0.0018  x 380
f3 numba        0.0018  x 380

简而言之：

使用 apply 很慢。我们可以非常简单地加快速度，只需使用一个可以直接在 Pandas Series 上运行的函数（或者在 numpy 数组上更好）。因为我们将在 Pandas Series 或 numpy 数组上进行操作，所以我们将能够对操作进行矢量化。该函数将返回一个 Pandas 系列或 numpy 数组，我们将其分配为新列。

这是基准代码：

import timeit

timeit_setup = """
import pandas as pd
import numpy as np
import numba

np.random.seed(0)

# Create a DataFrame of 10000 rows with 2 columns "A" and "B" 
# containing integers between 0 and 100
df = pd.DataFrame(np.random.randint(0,10,size=(10000, 2)), columns=["A", "B"])

def f1(a,b):
    # Here a and b are the values of column A and B for a specific row: integers
    return a + b

def f2(x):
    # Here, x is pandas Series, and corresponds to a specific row of the DataFrame
    # 0 and 1 are the indexes of columns A and B
    return x[0] + x[1]  

def f3(a,b):
    # Same as f1 but we will pass parameters that will allow vectorization
    # Here, A and B will be Pandas Series or numpy arrays
    # with df["C"] = f3(df["A"],df["B"]): Pandas Series
    # with df["C"] = f3(df["A"].to_numpy(),df["B"].to_numpy()): numpy arrays
    return a + b

@numba.njit('int64[:](int64[:], int64[:])')
def f3_numba_vectorize(a,b):
    # Here a and b are 2 numpy arrays with dtype int64
    # This function must return a numpy array whith dtype int64
    return a + b

"""

test_functions = [
'df["C"] = df.apply(lambda row: f1(row["A"], row["B"]), axis=1)',
'df["C"] = df.apply(f2, axis=1)',
'df["C"] = list(map(f3,df["A"],df["B"]))',
'df["C"] = np.vectorize(f3) (df["A"].to_numpy(),df["B"].to_numpy())',
'df["C"] = f3(df["A"],df["B"])',
'df["C"] = f3(df["A"].to_numpy(),df["B"].to_numpy())',
'df["C"] = f3_numba_vectorize(df["A"].to_numpy(),df["B"].to_numpy())'
]


for test_function in test_functions:
    print(min(timeit.repeat(setup=timeit_setup, stmt=test_function, repeat=7, number=10)))

输出：

0.7
0.56
0.3
0.01
0.0026
0.0018
0.0018

最后说明：也可以使用 Cython 和其他 numba 技巧来优化事情。

Answer 2

另一个选项是df.itertuples()（通常比df.iterrows() 更快，由docs 和user testing 推荐）：

import pandas as pd

df = pd.DataFrame([range(4) for _ in range(4)], columns=list("abcd"))

df
    a   b   c   d
0   0   1   2   3
1   0   1   2   3
2   0   1   2   3
3   0   1   2   3


df["e"] = [sum(row) for row in df[["b", "d"]].itertuples(index=False)]

df
    a   b   c   d   e
0   0   1   2   3   4
1   0   1   2   3   4
2   0   1   2   3   4
3   0   1   2   3   4

由于itertuples 返回namedtuples 的Iterable，您可以通过列名（也称为点表示法）和索引作为属性访问元组元素：

b, d = row
b = row.b
d = row[1]

Answer 3

在 Pandas 中有一种简洁的单行方式：

df['col_3'] = df.apply(lambda x: f(x.col_1, x.col_2), axis=1)

这允许f 成为具有多个输入值的用户定义函数，并使用（安全）列名而不是（不安全）数字索引来访问列。

数据示例（基于原始问题）：

import pandas as pd

df = pd.DataFrame({'ID':['1', '2', '3'], 'col_1': [0, 2, 3], 'col_2':[1, 4, 5]})
mylist = ['a', 'b', 'c', 'd', 'e', 'f']

def get_sublist(sta,end):
    return mylist[sta:end+1]

df['col_3'] = df.apply(lambda x: get_sublist(x.col_1, x.col_2), axis=1)

print(df) 的输出：

  ID  col_1  col_2      col_3
0  1      0      1     [a, b]
1  2      2      4  [c, d, e]
2  3      3      5  [d, e, f]

如果您的列名包含空格或与现有数据框属性共享名称，则可以使用方括号进行索引：

df['col_3'] = df.apply(lambda x: f(x['col 1'], x['col 2']), axis=1)

Answer 4

如果你有一个庞大的数据集，那么你可以使用一种简单但更快（执行时间）的方式来使用 swifter：

import pandas as pd
import swifter

def fnc(m,x,c):
    return m*x+c

df = pd.DataFrame({"m": [1,2,3,4,5,6], "c": [1,1,1,1,1,1], "x":[5,3,6,2,6,1]})
df["y"] = df.swifter.apply(lambda x: fnc(x.m, x.x, x.c), axis=1)

Answer 5

我想你不想改变get_sublist 函数，只想使用DataFrame 的apply 方法来完成这项工作。为了得到你想要的结果，我写了两个帮助函数：get_sublist_list 和unlist。正如函数名所暗示的那样，首先获取子列表的列表，然后从该列表中提取该子列表。最后，我们需要调用apply函数将这两个函数随后应用到df[['col_1','col_2']] DataFrame。

import pandas as pd

df = pd.DataFrame({'ID':['1','2','3'], 'col_1': [0,2,3], 'col_2':[1,4,5]})
mylist = ['a','b','c','d','e','f']

def get_sublist(sta,end):
    return mylist[sta:end+1]

def get_sublist_list(cols):
    return [get_sublist(cols[0],cols[1])]

def unlist(list_of_lists):
    return list_of_lists[0]

df['col_3'] = df[['col_1','col_2']].apply(get_sublist_list,axis=1).apply(unlist)

df

如果您不使用[] 来封装get_sublist 函数，那么get_sublist_list 函数将返回一个普通列表，它将引发ValueError: could not broadcast input array from shape (3) into shape (2)，正如@Ted Petrou 所提到的。

Answer 6

从apply 返回一个列表是一个危险的操作，因为结果对象不能保证是 Series 或 DataFrame。在某些情况下可能会引发异常。我们来看一个简单的例子：

df = pd.DataFrame(data=np.random.randint(0, 5, (5,3)),
                  columns=['a', 'b', 'c'])
df
   a  b  c
0  4  0  0
1  2  0  1
2  2  2  2
3  1  2  2
4  3  0  0

从apply返回列表有三种可能的结果

1)如果返回列表的长度不等于列数，则返回一系列列表。

df.apply(lambda x: list(range(2)), axis=1)  # returns a Series
0    [0, 1]
1    [0, 1]
2    [0, 1]
3    [0, 1]
4    [0, 1]
dtype: object

2) 当返回列表的长度等于 columns 然后返回一个 DataFrame 并且每一列都得到 列表中的对应值。

df.apply(lambda x: list(range(3)), axis=1) # returns a DataFrame
   a  b  c
0  0  1  2
1  0  1  2
2  0  1  2
3  0  1  2
4  0  1  2

3) 如果返回列表的长度等于第一行的列数，但至少有一行列表的元素数与列数不同，则 ValueError 为提出来。

i = 0
def f(x):
    global i
    if i == 0:
        i += 1
        return list(range(3))
    return list(range(4))

df.apply(f, axis=1) 
ValueError: Shape of passed values is (5, 4), indices imply (5, 3)

不应用就回答问题

将apply 与axis=1 一起使用非常慢。使用基本的迭代方法可以获得更好的性能（尤其是在较大的数据集上）。

创建更大的数据框

df1 = df.sample(100000, replace=True).reset_index(drop=True)

时间

# apply is slow with axis=1
%timeit df1.apply(lambda x: mylist[x['col_1']: x['col_2']+1], axis=1)
2.59 s ± 76.8 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)

# zip - similar to @Thomas
%timeit [mylist[v1:v2+1] for v1, v2 in zip(df1.col_1, df1.col_2)]  
29.5 ms ± 534 µs per loop (mean ± std. dev. of 7 runs, 10 loops each)

@Thomas 回答

%timeit list(map(get_sublist, df1['col_1'],df1['col_2']))
34 ms ± 459 µs per loop (mean ± std. dev. of 7 runs, 10 loops each)

Answer 7

我对你的问题的例子：

def get_sublist(row, col1, col2):
    return mylist[row[col1]:row[col2]+1]
df.apply(get_sublist, axis=1, col1='col_1', col2='col_2')

Answer 8

一个简单的解决方案是：

df['col_3'] = df[['col_1','col_2']].apply(lambda x: f(*x), axis=1)

Answer 9

我确信这不如使用 Pandas 或 Numpy 操作的解决方案快，但如果你不想重写你的函数，你可以使用 map.使用原始示例数据 -

import pandas as pd

df = pd.DataFrame({'ID':['1','2','3'], 'col_1': [0,2,3], 'col_2':[1,4,5]})
mylist = ['a','b','c','d','e','f']

def get_sublist(sta,end):
    return mylist[sta:end+1]

df['col_3'] = list(map(get_sublist,df['col_1'],df['col_2']))
#In Python 2 don't convert above to list

我们可以通过这种方式将任意数量的参数传递给函数。输出是我们想要的

ID  col_1  col_2      col_3
0  1      0      1     [a, b]
1  2      2      4  [c, d, e]
2  3      3      5  [d, e, f]

Answer 10

我将为 np.vectorize 投票。它允许您只拍摄 x 列而不处理函数中的数据帧，因此对于您无法控制的函数或执行诸如将 2 列和一个常量发送到函数（即 col_1、col_2、 'foo'）。

import numpy as np
import pandas as pd

df = pd.DataFrame({'ID':['1','2','3'], 'col_1': [0,2,3], 'col_2':[1,4,5]})
mylist = ['a','b','c','d','e','f']

def get_sublist(sta,end):
    return mylist[sta:end+1]

#df['col_3'] = df[['col_1','col_2']].apply(get_sublist,axis=1)
# expect above to output df as below 

df.loc[:,'col_3'] = np.vectorize(get_sublist, otypes=["O"]) (df['col_1'], df['col_2'])


df

ID  col_1   col_2   col_3
0   1   0   1   [a, b]
1   2   2   4   [c, d, e]
2   3   3   5   [d, e, f]

Answer 11

一个有趣的问题！我的回答如下：

import pandas as pd

def sublst(row):
    return lst[row['J1']:row['J2']]

df = pd.DataFrame({'ID':['1','2','3'], 'J1': [0,2,3], 'J2':[1,4,5]})
print df
lst = ['a','b','c','d','e','f']

df['J3'] = df.apply(sublst,axis=1)
print df

输出：

  ID  J1  J2
0  1   0   1
1  2   2   4
2  3   3   5
  ID  J1  J2      J3
0  1   0   1     [a]
1  2   2   4  [c, d]
2  3   3   5  [d, e]

我把列名改成ID,J1,J2,J3，保证ID

一个更简短的版本：

import pandas as pd

df = pd.DataFrame({'ID':['1','2','3'], 'J1': [0,2,3], 'J2':[1,4,5]})
print df
lst = ['a','b','c','d','e','f']

df['J3'] = df.apply(lambda row:lst[row['J1']:row['J2']],axis=1)
print df

Answer 12

您正在寻找的方法是 Series.combine。 但是，似乎必须注意数据类型。 在您的示例中，您会（就像我在测试答案时所做的那样）天真地调用

df['col_3'] = df.col_1.combine(df.col_2, func=get_sublist)

但是，这会引发错误：

ValueError: setting an array element with a sequence.

我最好的猜测是，它似乎期望结果与调用该方法的系列的类型相同（此处为 df.col_1）。但是，以下工作：

df['col_3'] = df.col_1.astype(object).combine(df.col_2, func=get_sublist)

df

   ID   col_1   col_2   col_3
0   1   0   1   [a, b]
1   2   2   4   [c, d, e]
2   3   3   5   [d, e, f]

Answer 13

您编写 f 的方式需要两个输入。如果您查看错误消息，它说您没有为 f 提供两个输入，只有一个。错误信息是正确的。
不匹配是因为 df[['col1','col2']] 返回具有两列的单个数据帧，而不是两个单独的列。

您需要更改您的 f 以便它接受单个输入，将上述数据框保留为输入，然后将其分解为 x,y inside 函数体。然后做任何你需要的事情并返回一个值。

你需要这个函数签名，因为语法是 .apply(f) 因此， f 需要采用单一事物 = 数据框，而不是您当前 f 期望的两件事。

由于您没有提供 f 的主体，我无法提供更多详细信息 - 但这应该提供出路，而无需从根本上更改您的代码或使用其他方法而不是应用

Answer 14

这是一个在数据帧上使用apply 的示例，我使用axis = 1 调用它。

注意不同之处在于，不是尝试将两个值传递给函数f，而是重写函数以接受熊猫系列对象，然后索引系列以获取所需的值。

In [49]: df
Out[49]: 
          0         1
0  1.000000  0.000000
1 -0.494375  0.570994
2  1.000000  0.000000
3  1.876360 -0.229738
4  1.000000  0.000000

In [50]: def f(x):    
   ....:  return x[0] + x[1]  
   ....:  

In [51]: df.apply(f, axis=1) #passes a Series object, row-wise
Out[51]: 
0    1.000000
1    0.076619
2    1.000000
3    1.646622
4    1.000000

根据您的用例，有时创建一个熊猫group 对象，然后在组上使用apply 会很有帮助。