Applamap pand

Python jest doskonałym językiem do przeprowadzania analizy danych, głównie ze względu na silny ekosystem programów Python skoncentrowanych na obsłudze danych. Jedno takie narzędzie, pandy, znacznie upraszcza importowanie i analizę danych. Każdy element w ramce danych jest stosowany z funkcją przy użyciu metody ApplapMap (), która odbiera i zwraca skalar. Główną zaletą pandy jest możliwość przekształcania danych i stosowania analizy. Te funkcje (map (), applappMap () i Apply ()) są używane do zmiany danych, ale istnieją pewne rozróżnienia między nimi i subtelne różnice w tym, jak są używane. Jednak omówimy tylko applateMap ().

Jak korzystać z funkcji Applamap w systemie Windows

Pojedyncza funkcja umożliwia działanie elementarne w całym DataFrame to ApplapMap (), który jest dostępny tylko w DataFrame.

Chociaż niektóre scenariusze działają szybciej niż zastosowanie () dzięki optymalizacji, porównanie tych dwóch jest nadal dobrym pomysłem przed podjęciem cięższych operacji.

Składnia:

Ramka danych.ApplyMap (FUNC)

Parametry

FUNC: Pojedyncza wartość jest zwracana przez jedną wartość w funkcji Pythona.

Wyjście: Przekształcona ramka danych.

Tylko komputer danych definiuje tę technikę. MAME DATAFRAME.ApplyMap () akceptuje tylko uzasadnienie. W przypadku DataFrame ApplyMap () jest pod względem elementów. ApplyMap () jest bardziej wydajny niż Apply (). Jeden kawałek/element na raz można obsługiwać za pomocą funkcji ApplapMap ().

Przykład 1: Dodaj wartość do każdego elementu ramki danych za pomocą ApplapMap ()

Najpierw zaimportujmy internetowy zestaw danych (IRIS_DATA), abyśmy mogli zastosować naszą funkcję ApplyMap (), aby wyświetlić wyniki.

Musisz zaimportować pandy i dodać obiekt „PD” do kodu, aby obsługiwać pandy. Proste procedury matematyczne są stosunkowo łatwiejsze do wykonania. Zgodnie z osi, którą zdefiniujesz, argument funkcji, gdy Applaste () jest używany w ramce danych, staje się całym wierszem lub kolumną. Co jeśli chcesz zastosować określoną funkcję na każdym komponencie ramki danych, a nie tylko w każdym wierszu i kolumnie? Kiedy tak się dzieje, ApplyMap () jest pomocny. Rozważ sytuację, w której popełnił błąd, a chcesz go poprawić, dodając jeden do każdego elementu w danych, ponieważ odkryłeś, że błąd był powtarzalną niedokładnością pomiaru. Na początek zdefiniujmy funkcję pomocnika:

Zdefiniowaliśmy funkcję add_one i przekazaliśmy element jako argument. Zwróci element + 1, co oznacza, że ​​doda jeden do każdego wpisu danych w zestawie danych. Zastosujmy go do każdego elementu oryginalnej ramki danych, z wyłączeniem kolumny docelowej, za pomocą ApplapMap ().

Jeśli kontrastujesz to wyjście z oryginałem, zobaczysz, że każdy wpis miał jeden dodany. Pokazuje potencjał funkcji Applamap ().

Przykład 2: Obliczanie długości każdego elementu ramki danych za pomocą ApplapMap ()

Podobnie jak poprzedni przykład, zaimportujemy pandy i zestaw danych, aby rozpocząć pracę. Teraz, czego używa funkcja ApplapMap ()? Czy działa na ramach danych, czy też zastosuje funkcję do każdego elementu ramki danych? Na przykład dzięki tej ramce danych utworzyliśmy ją tutaj. Mamy wszystkie te różne wartości. Funkcja ApplapMap () przejmie pewną funkcję i uruchomić ją na pojedynczej wartości w tej całej ramce danych, a następnie zwróci ramkę danych z tym, co jest wynikiem tej funkcji. Teraz, ponieważ ramki danych często mają dane różnych typów w różnych kolumnach, ApplapMap () jest nieco mniej powszechny w funkcji do użycia niż Apply () lub Map ().

Jak widać powyżej, mamy kilka liczb w kolumnach i niektórych ciągach znaków. Tak więc, jeśli chcielibyśmy uchwalić funkcję, która działa tylko na liczbach w Applmap (), to spowoduje błąd, ponieważ może dotyczyć kolumny cenowej. Jednak inne kolumny to ciąg. Więc to nie zadziałałoby. Musimy upewnić się, że zdarzy się funkcję, która będzie działać zarówno na liczbach, jak i strunach. Poniżej zdefiniowaliśmy funkcję, która powinna działać na liczbach lub strunach:

Poprzedni skrypt przekonwertuje te liczby na ciąg za pomocą funkcji str (). Następnie sprawdzi długość za pomocą funkcji len (). Możemy więc zdefiniować tę funkcję. Jeśli przejdziemy to do ApplyMap (), otrzymamy ramkę danych jako wyjście o długości tych różnych wpisów w naszej ramce danych.

Przykład 3: Zmień/wymień wartości elementów ramki danych za pomocą funkcji ApplapMap ()

Funkcja Applamp () PandaS wykorzystuje funkcję zdefiniowaną przez użytkownika do aktualizacji zawartości elementu ramy danych po otrzymaniu ramki danych Pandas jako wejścia. Za pomocą słownika możemy utworzyć funkcję Lambda, która poda nową wartość dla każdego elementu w ramce danych jako wyjście do aktualizacji wartości ramki danych. Zastosujmy tę samą ilustrację do funkcji Replay () i Map () w bibliotece PandaS, aby zastąpić wartości w ramce danych na temat słownika.

Korzystając z funkcji próbki () w module losowym, wytworzymy niektóre przykładowe dane.

Teraz zostanie utworzona ramka danych z strunem danych.

Chcemy zastąpić niektóre wartości ramki danych nowymi. Tutaj zbudujemy słownik z nowymi wartościami służącymi jako wartości słownika i starych wartości służących jako klawisze.

Możemy teraz aktualizować wartości element po elementach za pomocą funkcji pandA ApplapMap (). Funkcja Lambda będzie przekazywana jako wejście w funkcji ApplapMap (). Wejście funkcji Lambda jest elementem, a jej wyjście jest wynikiem użycia słownika do zapytania o klucz.

W rezultacie otrzymujemy ramkę danych z zaktualizowanymi wartościami.

Przykład 4: Zmień wartości/elementy ramki danych za pomocą funkcji ApplapMap ()

Najpierw wykonamy ramkę danych z określonymi wierszami i kolumnami i określamy nazwy jego indeksów.

Pomnajmy każdy element ramki danych przez 10.

Każdy komponent DF DataFrame jest mnożony, a dane wyjściowe jest zapisywane w alt DFFrame. Funkcja ApplapMap () odbiera funkcję Lambda jako parametr i zwraca wynik, pomnożając każdy element lub wartość przez 10. W rezultacie wszystkie elementy DF danych są skalowane o 10. Gdy potrzebna jest funkcja bezimienna przez krótki czas, używane są funkcje Lambda. Zazwyczaj używamy go jako argumentu do funkcji wyższego rzędu w Pythonie. Wraz z wbudowanymi metodami, takimi jak ApplapMap () i Filter (), stosowane są funkcje Lambda.

Możemy zastosować różne operacje do komponentów DataFrame oprócz matematycznych.

Jak widać na poprzednim obrazie, dołączyliśmy .99 do każdej wartości wewnątrz ramki danych DF. Możemy również użyć wartości ciągów do dołączenia danych zamiast danych liczbowych.

Wniosek

W tym artykule nauczyliśmy, w jaki sposób możesz użyć funkcji ApplapMap () w Python za pomocą biblioteki PandaS. Widzieliśmy, że metoda ApplapMap () działa na całej ramce danych na podstawie elementu po elementach. To nauczyło nas, jak korzystać z Python Pandas DataFrame.Metoda ApplapMap (). Pracowaliśmy za pomocą przykładów przy użyciu tej metody w ramce danych, aby zrozumieć, jak dodawać wartości, obliczyć długość oraz zastąpić i zmieniać wartości każdego elementu naszej ramki danych za pomocą funkcji ApplapMap ().