DataFrame.apply() 错误：“<Series> 不是 'Series' 对象的有效函数”

Question

我从 pandas.DataFrame.apply() 得到一个 AttributeError。尽管如此，该功能似乎可以工作，但我想更好地理解 apply() ，所以我还是发布了这个问题......

我有两个数据框，如下所示：

a = pd.DataFrame(data = {
    'ID': ['123', '456', '789'],
    'TIME': [1.5, 2, 3]
})

b = pd.DataFrame(data = {
    'ID': ['123', '456', '789'] * 2,
    'TIME_START': [1, 3, 3, 2, 1, 5],
    'TIME_END': [5, 4, 6, 6, 3, 6],
    'CORR_KEY': ['abc', 'def', 'ghi', 'jkl', 'mno', 'pqr']
})

我像这样合并它们：

c = a.merge(b, how = 'inner', on = 'ID')

我得到以下信息：

print(c)

    ID  TIME  TIME_START  TIME_END CORR_KEY
0  123   1.5           1         5      abc
1  123   1.5           2         6      jkl
2  456   2.0           3         4      def
3  456   2.0           1         3      mno
4  789   3.0           3         6      ghi
5  789   3.0           5         6      pqr

现在我需要在 TIME_START TIME TIME_END 为 FALSE 的 c 中删除记录。这样，我最终只得到了具有相关 CORR_KEY 的记录。 （例如，ID 123 的正确 CORR_KEY 是 abc，而不是 jkl。）

我使用以下函数，并沿数据框应用它：

def drop_records(df):
    start_condition = df['TIME_START'] <= df['TIME']
    end_condition = df['TIME'] <= df['TIME_END']

    df.drop(df[~(start_condition) | ~(end_condition)].index, inplace = True)

    return df

c = c.apply(drop_records(c))

结果是：

AttributeError: 'ID' 不是 'Series' 对象的有效函数

但是，再次检查 c，我得到了预期的输出：

print(c)

    ID  TIME  TIME_START  TIME_END CORR_KEY
0  123   1.5           1         5      abc
3  456   2.0           1         3      mno
4  789   3.0           3         6      ghi

那么，导致 AttributeError 的原因是什么？

谢谢！

Answer 1

您过度使用了解决方案。您可以使用query 直接获取您的输出：

c = c.query('TIME_START <= TIME <= TIME_END')

print(c)
    ID  TIME  TIME_START  TIME_END CORR_KEY
0  123   1.5           1         5      abc
3  456   2.0           1         3      mno
4  789   3.0           3         6      ghi

Answer 2

当您执行apply 时，数据框按系列划分，每列一个，并且该功能应用于系列。由于ID 只是第一列，apply 正在尝试执行drop_records(c)，但向他们发送ID 系列，这将导致AttributeError。

您不需要在这里apply 一个函数，只需：

c = drop_records(c)

或者使用布尔掩码：

mask = (c.TIME_START <= c.TIME) & (c.TIME <= c.TIME_END)
c = c[mask]

甚至可以按照@Sandeep Kadapa 的建议进行查询。