基于Pandas的DataFrame、Series对象的apply方法

这篇文章主要讲解DataFrame、Series对象的apply方法。 豆瓣排名前250电影数据集下载链接: https://pan.baidu.com/s/1M5EuIQEgNfJkGPvqYczb0g 密码: mhcj

1.下载数据集并读入数据

在数据集的同级目录下打开编程环境jupyter notebook 即在同级目录中打开cmd，cmd中输入命令并运行：jupyter notebook 编辑代码文件如下，然后运行：

import pandas as pd
df = pd.read_csv('豆瓣排名前250电影.csv', sep='#')

发现报错：OSError: Initializing from file failed 原因是read_csv方法不接受csv文件使用中文名。 解决方案如下：

import pandas as pd
file = open('豆瓣排名前250电影.csv')
df = pd.read_csv(file, sep='#')

这样的代码能够成功运行，所以pd.read_csv方法的第1个参数可以为字符串或者文件IO流。

2.Series对象的str.split方法

area_split_series = df['area'].str.split()
area_split_series.head()

上面一段代码的运行结果如下：

0 [美国] 1 [中国大陆, 中国香港] 2 [法国] 3 [美国] 4 [意大利] Name: area, dtype: object

查看变量的数据类型，如下图所示：

查看变量数据类型.png

上图和代码结合进行理解，Series对象有str.split方法，方法中第一个参数为分隔符，默认为空格。 Series对象的str.split方法的返回值数据类型为Series，Series中的每一个值的数据类型为list。

3.Series对象的apply方法

Series对象的apply方法是Series对象进行映射。 Series对象的map方法也是Series对象进行映射。 下图对比两种方法的不同之处：

2种不同方法对比.png

作者一直以为Series对象的map和apply方法是一样的，实际上是不同的。 所以，Series对象映射为DataFrame对象的时候必须得用apply方法。

Series对象的apply方法是指对其中的每个元素进行映射。 pd.Series方法将变量area_split_series的中list元素转为Series。 Series对象的apply方法和pd.Series方法结合自动实现Series对象转换为DataFrame对象。

area_split_df = area_split_series.apply(pd.Series)
area_split_df.head()

上面一段代码的运行结果如下：

image.png

4.DataFrame对象的apply方法

DataFrame对象的apply方法有非常重要的2个参数。 第1个参数的数据类型是函数对象，是将抽出的行或者列作为Series对象，可以利用Series对象的方法做聚合运算。 第2 个参数为关键字参数axis，数据类型为整型，默认为0。当axis=0时，会将DataFrame中的每一列抽出来做聚合运算，当axis=1时，会将DataFrame中的每一行抽出来做聚合运算。 抽出来的每一行或者每一列的数据类型为Series对象，如下图所示：

image.png

聚合运算包括求最大值，最小值，求和，计数等。 进行最简单的聚合运算：计数，如下图所示：

image.png

上图表示的意思是在第1列中250个值不为空，第2列中87个值不为空，第3列中22个值不为空，第4列中9个值不为空，第5列中2个值不为空。 DataFrame对象的apply方法中的axis关键字参数默认为0。 指定axis=0，运行的效果与不指定axis的值相同，如下图所示：

image.png

指定axis=1，是对每一行做聚合运算，因为有250行，所以只能截图一部分，如下图所示：

image.png

现在要对变量area_split_df做聚合运算，对每一列的值做统计计数，代码如下：

area_count_df = area_split_df.apply(lambda x:x.value_counts())
area_count_df.head()

统计计数.png

5.得出结果

对上一步的DataFrame对象的每一行做求和的聚合运算，就完成本文的最终目标：统计area字段中每个国家出现的次数。

area_count_series = area_count_df.apply(lambda x:x.sum(), axis=1)
area_count_series.head(10)

上面一段代码的运行结果如下图所示：

结果展示.png