关于python:将pandas函数应用于列以创建多个新列?

Apply pandas function to column to create multiple new columns?

如何在熊猫中做到这一点:

我在单个文本列上有一个函数extract_text_features,返回多个输出列。 具体来说,该函数返回6个值。

该函数有效,但似乎没有任何正确的返回类型(pandas DataFrame / numpy数组/ Python列表),以便输出可以正确分配df.ix[: ,10:16] = df.textcol.map(extract_text_features)

所以我认为我需要回到使用df.iterrows()迭代,按照这个?

更新:
使用df.iterrows()进行迭代的速度至少要慢20倍,因此我将函数放弃并将函数拆分为六个不同的.map(lambda ...)调用。

更新2:这个问题是在v0.11.0左右回答的。 因此,大部分问题和答案都不太相关。


我通常使用zip执行此操作:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
>>> df = pd.DataFrame([[i] for i in range(10)], columns=['num'])
>>> df
    num
0    0
1    1
2    2
3    3
4    4
5    5
6    6
7    7
8    8
9    9

>>> def powers(x):
>>>     return x, x**2, x**3, x**4, x**5, x**6

>>> df['p1'], df['p2'], df['p3'], df['p4'], df['p5'], df['p6'] = \
>>>     zip(*df['num'].map(powers))

>>> df
        num     p1      p2      p3      p4      p5      p6
0       0       0       0       0       0       0       0
1       1       1       1       1       1       1       1
2       2       2       4       8       16      32      64
3       3       3       9       27      81      243     729
4       4       4       16      64      256     1024    4096
5       5       5       25      125     625     3125    15625
6       6       6       36      216     1296    7776    46656
7       7       7       49      343     2401    16807   117649
8       8       8       64      512     4096    32768   262144
9       9       9       81      729     6561    59049   531441


建立用户1827356的答案,你可以使用df.merge一次完成作业:

1
2
3
4
5
6
7
8
9
df.merge(df.textcol.apply(lambda s: pd.Series({'feature1':s+1, 'feature2':s-1})),
    left_index=True, right_index=True)

    textcol  feature1  feature2
0  0.772692  1.772692 -0.227308
1  0.857210  1.857210 -0.142790
2  0.065639  1.065639 -0.934361
3  0.819160  1.819160 -0.180840
4  0.088212  1.088212 -0.911788

编辑:
请注意巨大的内存消耗和低速:https://ys-l.github.io/posts/2015/08/28/how-not-to-use-pandas-apply/!


这就是我过去所做的

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
df = pd.DataFrame({'textcol' : np.random.rand(5)})

df
    textcol
0  0.626524
1  0.119967
2  0.803650
3  0.100880
4  0.017859

df.textcol.apply(lambda s: pd.Series({'feature1':s+1, 'feature2':s-1}))
   feature1  feature2
0  1.626524 -0.373476
1  1.119967 -0.880033
2  1.803650 -0.196350
3  1.100880 -0.899120
4  1.017859 -0.982141

编辑完整性

1
2
3
4
5
6
7
pd.concat([df, df.textcol.apply(lambda s: pd.Series({'feature1':s+1, 'feature2':s-1}))], axis=1)
    textcol feature1  feature2
0  0.626524 1.626524 -0.373476
1  0.119967 1.119967 -0.880033
2  0.803650 1.803650 -0.196350
3  0.100880 1.100880 -0.899120
4  0.017859 1.017859 -0.982141


对于95%的用例,这是实现此目的的正确和最简单的方法:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
>>> df = pd.DataFrame(zip(*[range(10)]), columns=['num'])
>>> df
    num
0    0
1    1
2    2
3    3
4    4
5    5

>>> def example(x):
...     x['p1'] = x['num']**2
...     x['p2'] = x['num']**3
...     x['p3'] = x['num']**4
...     return x

>>> df = df.apply(example, axis=1)
>>> df
    num  p1  p2  p3
0    0   0   0    0
1    1   1   1    1
2    2   4   8   16
3    3   9  27   81
4    4  16  64  256


摘要:如果您只想创建几列,请使用df[['new_col1','new_col2']] = df[['data1','data2']].apply( function_of_your_choosing(x), axis=1)

对于此解决方案,您创建的新列的数量必须等于用作.apply()函数输入的列数。如果您想做其他事情,请查看其他答案。

细节
假设您有两列数据帧。第一列是10岁时人的身高;第二个是20岁时的人的身高。

假设你需要计算每个人身高的平均值和每个人身高的总和。这是每行两个值。

您可以通过以下即将应用的功能执行此操作:

1
2
3
4
5
6
7
8
9
10
def mean_and_sum(x):
   """
    Calculates the mean and sum of two heights.
    Parameters:
    :x -- the values in the row this function is applied to. Could also work on a list or a tuple.
   """


    sum=x[0]+x[1]
    mean=sum/2
    return [mean,sum]

你可能会像这样使用这个函数:

1
 df[['height_at_age_10','height_at_age_20']].apply(mean_and_sum(x),axis=1)

(要明确:此apply函数接受子集化数据框中每行的值并返回一个列表。)

但是,如果你这样做:

1
df['Mean_&_Sum'] = df[['height_at_age_10','height_at_age_20']].apply(mean_and_sum(x),axis=1)

您将创建一个包含[mean,sum]列表的新列,您可能希望避免这些列,因为这需要另一个Lambda / Apply。

相反,您希望将每个值分解为自己的列。为此,您可以一次创建两列:

1
2
df[['Mean','Sum']] = df[['height_at_age_10','height_at_age_20']]
.apply(mean_and_sum(x),axis=1)


在2018年,我使用带参数result_type='expand'apply()

1
2
>>> appiled_df = df.apply(lambda row: fn(row.text), axis='columns', result_type='expand')
>>> df = pd.concat([df, appiled_df], axis='columns')


对我来说,这工作:

输入df

1
2
3
4
5
df = pd.DataFrame({'col x': [1,2,3]})
   col x
0      1
1      2
2      3

功能

1
2
def f(x):
    return pd.Series([x*x, x*x*x])

创建2个新列:

1
df[['square x', 'cube x']] = df['col x'].apply(f)

输出:

1
2
3
4
   col x  square x  cube x
0      1         1       1
1      2         4       8
2      3         9      27

我看了几种方法,这里显示的方法(返回一个熊猫系列)似乎并不是最有效的。

如果我们从一个庞大的随机数据数据框开始:

1
2
3
4
# Setup a dataframe of random numbers and create a
df = pd.DataFrame(np.random.randn(10000,3),columns=list('ABC'))
df['D'] = df.apply(lambda r: ':'.join(map(str, (r.A, r.B, r.C))), axis=1)
columns = 'new_a', 'new_b', 'new_c'

此处显示的示例:

1
2
3
4
# Create the dataframe by returning a series
def method_b(v):
    return pd.Series({k: v for k, v in zip(columns, v.split(':'))})
%timeit -n10 -r3 df.D.apply(method_b)

10 loops, best of 3: 2.77 s per loop

另一种方法:

1
2
3
4
# Create a dataframe from a series of tuples
def method_a(v):
    return v.split(':')
%timeit -n10 -r3 pd.DataFrame(df.D.apply(method_a).tolist(), columns=columns)

10 loops, best of 3: 8.85 ms per loop

通过我的计算,获取一系列元组然后将其转换为DataFrame效率更高。如果我的工作中出现错误,我会有兴趣听到别人的想法。


对于大量数据,接受的解决方案将非常缓慢。具有最多数量的upvotes的解决方案有点难以阅读,并且还因数字数据而变慢。如果每个新列可以独立于其他列进行计算,我只需直接分配它们而不使用apply

假字符数据的示例

在DataFrame中创建100,000个字符串

1
2
3
4
5
6
7
8
9
10
df = pd.DataFrame(np.random.choice(['he jumped', 'she ran', 'they hiked'],
                                   size=100000, replace=True),
                  columns=['words'])
df.head()
        words
0     she ran
1     she ran
2  they hiked
3  they hiked
4  they hiked

假设我们想要提取原始问题中的一些文本特征。例如,让我们提取第一个字符,计算字母"e"的出现次数并将该短语大写。

1
2
3
4
5
6
7
8
9
10
df['first'] = df['words'].str[0]
df['count_e'] = df['words'].str.count('e')
df['cap'] = df['words'].str.capitalize()
df.head()
        words first  count_e         cap
0     she ran     s        1     She ran
1     she ran     s        1     She ran
2  they hiked     t        2  They hiked
3  they hiked     t        2  They hiked
4  they hiked     t        2  They hiked

计时

1
2
3
4
5
6
7
8
9
10
11
%%timeit
df['first'] = df['words'].str[0]
df['count_e'] = df['words'].str.count('e')
df['cap'] = df['words'].str.capitalize()
127 ms ± 585 μs per loop (mean ± std. dev. of 7 runs, 10 loops each)

def extract_text_features(x):
    return x[0], x.count('e'), x.capitalize()

%timeit df['first'], df['count_e'], df['cap'] = zip(*df['words'].apply(extract_text_features))
101 ms ± 2.96 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)

令人惊讶的是,您可以通过循环遍历每个值来获得更好的性能

1
2
3
4
5
6
7
8
9
%%timeit
a,b,c = [], [], []
for s in df['words']:
    a.append(s[0]), b.append(s.count('e')), c.append(s.capitalize())

df['first'] = a
df['count_e'] = b
df['cap'] = c
79.1 ms ± 294 μs per loop (mean ± std. dev. of 7 runs, 10 loops each)

假数字数据的另一个例子

创建100万个随机数并从上面测试powers函数。

1
2
3
4
5
6
7
8
9
10
df = pd.DataFrame(np.random.rand(1000000), columns=['num'])


def powers(x):
    return x, x**2, x**3, x**4, x**5, x**6

%%timeit
df['p1'], df['p2'], df['p3'], df['p4'], df['p5'], df['p6'] = \
       zip(*df['num'].map(powers))
1.35 s ± 83.6 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)

分配每列的速度提高了25倍且非常易读:

1
2
3
4
5
6
7
8
%%timeit
df['p1'] = df['num'] ** 1
df['p2'] = df['num'] ** 2
df['p3'] = df['num'] ** 3
df['p4'] = df['num'] ** 4
df['p5'] = df['num'] ** 5
df['p6'] = df['num'] ** 6
51.6 ms ± 1.9 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)

我在这里做了类似的回复,详细说明为什么apply通常不是要走的路。


在其他两个类似问题中发布了相同的答案。我喜欢这样做的方法是将函数的返回值包装在一个系列中:

1
2
def f(x):
    return pd.Series([x**2, x**3])

然后使用apply如下创建单独的列:

1
df[['x**2','x**3']] = df.apply(lambda row: f(row['x']), axis=1)

只需使用result_type="expand"

1
2
df = pd.DataFrame(np.random.randint(0,10,(10,2)), columns=["random","a"])
df[["sq_a","cube_a"]] = df.apply(lambda x: [x.a**2, x.a**3], axis=1, result_type="expand")


您可以返回整行而不是值:

1
df = df.apply(extract_text_features,axis = 1)

函数返回行的位置

1
2
3
4
def extract_text_features(row):
      row['new_col1'] = value1
      row['new_col2'] = value2
      return row