Pandas DataFrame DataFrame.transform()函式
Minahil Noor
2023年1月30日
2020年11月7日
-
pandas.DataFrame.transform()的語法 -
示例程式碼：
DataFrame.transform() -
示例程式碼：
DataFrame.transform()使用sqrt字串作為函式 -
示例程式碼：
DataFrame.transform()傳遞函式列表 -
DataFrame.apply()vsDataFrame.transform()函式
Python Pandas DataFrame.transform() 在 DataFrame 上應用一個函式並轉換 DataFrame。要應用的函式作為引數傳遞給 transform() 函式。變換後的 DataFrame 的軸長度應該與原始 DataFrame 相同。
pandas.DataFrame.transform() 的語法
DataFrame.transform(func,
axis,
*args,
**kwargs)
引數
func |
它是應用於 DataFrame 的函式。它使 DataFrame 的值發生變化。它可以是一個函式，函式名字串，函式或函式名列表，或軸標籤的字典。 |
axis |
它是一個整數或字串。它告訴目標軸的行或列。它可以是 0 或 index 代表行，1 或 columns 代表列。 |
*args |
這些是要傳遞給函式的位置引數 |
**kwargs |
這些是傳遞給函式的附加關鍵字引數 |
返回值
它返回一個轉換後的 DataFrame，其長度與原始 “DataFrame “相同。如果返回的 DataFrame 具有不等長的長度，那麼函式會引發 ValueError。
示例程式碼：DataFrame.transform()
我們先試試這個函式，在 DataFrame 的每個值上加一個數字。
import pandas as pd
dataframe = pd.DataFrame({
'A':
{0: 6,
1: 20,
2: 80,
3: 78,
4: 95},
'B':
{0: 60,
1: 50,
2: 7,
3: 67,
4: 54}
})
print(dataframe)
示例 DataFrame 是：
A B
0 6 60
1 20 50
2 80 7
3 78 67
4 95 54
5 98 34
這個函式只有一個必須的引數，即 func。現在，我們將使用這個函式在 DataFrame 的每個值上加 20。
import pandas as pd
dataframe = pd.DataFrame({
'A':
{0: 6,
1: 20,
2: 80,
3: 78,
4: 95},
'B':
{0: 60,
1: 50,
2: 7,
3: 67,
4: 54}
})
dataframe1 = dataframe.transform(func = lambda x : x + 20)
print(dataframe1)
輸出：
A B
0 26 80
1 40 70
2 100 27
3 98 87
4 115 74
5 118 54
lambda 關鍵字用於宣告一個匿名的加法函式。
示例程式碼：DataFrame.transform() 使用 sqrt 字串作為函式
import pandas as pd
dataframe = pd.DataFrame({
'A':
{0: 6,
1: 20,
2: 80,
3: 78,
4: 95},
'B':
{0: 60,
1: 50,
2: 7,
3: 67,
4: 54}
})
dataframe1 = dataframe.transform(func = 'sqrt')
print(dataframe1)
輸出：
A B
0 2.449490 7.745967
1 4.472136 7.071068
2 8.944272 2.645751
3 8.831761 8.185353
4 9.746794 7.348469
5 9.899495 5.830952
在這裡，我們沒有傳遞 lambda 函式，而是將函式名作為字串傳遞。
示例程式碼：DataFrame.transform() 傳遞函式列表
import pandas as pd
dataframe = pd.DataFrame({
'A':
{0: 6,
1: 20,
2: 80,
3: 78,
4: 95},
'B':
{0: 60,
1: 50,
2: 7,
3: 67,
4: 54}
})
dataframe1 = dataframe.transform(func = ['sqrt', 'exp'])
print(dataframe1)
輸出：
A B
sqrt exp sqrt exp
0 2.449490 4.034288e+02 7.745967 1.142007e+26
1 4.472136 4.851652e+08 7.071068 5.184706e+21
2 8.944272 5.540622e+34 2.645751 1.096633e+03
3 8.831761 7.498417e+33 8.185353 1.252363e+29
4 9.746794 1.811239e+41 7.348469 2.830753e+23
我們傳遞了一個由兩個函式名組成的 “list”，即 ['sqrt', 'exp'] 作為 func。返回的 DataFrame 包含了兩個額外的列，因為有一個額外的函式。
DataFrame.apply() vs DataFrame.transform() 函式
我們也可以使用 DataFrame.apply() 函式來實現上述結果。但如果我們比較一下這兩個函式，就會發現 DataFrame.transform() 函式在處理複雜的操作時更有效率。