对pandas DataFrame每行应用函数以创建两个新列
我有一个名为 st 的 pandas 数据框，里面有很多列：
<class 'pandas.core.frame.DataFrame'>
DatetimeIndex: 53732 entries, 1993-01-07 12:23:58 to 2012-12-02 20:06:23
Data columns:
Date(dd-mm-yy)_Time(hh-mm-ss) 53732 non-null values
Julian_Day 53732 non-null values
AOT_1020 53716 non-null values
AOT_870 53732 non-null values
AOT_675 53188 non-null values
AOT_500 51687 non-null values
AOT_440 53727 non-null values
AOT_380 51864 non-null values
AOT_340 52852 non-null values
Water(cm) 51687 non-null values
%TripletVar_1020 53710 non-null values
%TripletVar_870 53726 non-null values
%TripletVar_675 53182 non-null values
%TripletVar_500 51683 non-null values
%TripletVar_440 53721 non-null values
%TripletVar_380 51860 non-null values
%TripletVar_340 52846 non-null values
440-870Angstrom 53732 non-null values
380-500Angstrom 52253 non-null values
440-675Angstrom 53732 non-null values
500-870Angstrom 53732 non-null values
340-440Angstrom 53277 non-null values
Last_Processing_Date(dd/mm/yyyy) 53732 non-null values
Solar_Zenith_Angle 53732 non-null values
dtypes: datetime64[ns](1), float64(22), object(1)
我想根据对数据框每一行应用一个函数，来创建两个新列。我不想多次调用这个函数（比如做两次 apply 调用），因为这样计算起来比较费劲。我尝试了两种方法，但都没有成功：
使用 apply：
我写了一个函数，这个函数接收一个 Series（可以理解为一列数据），然后返回我想要的值的元组：
def calculate(s):
a = s['path'] + 2*s['row'] # Simple calc for example
b = s['path'] * 0.153
return (a, b)
但当我试图将这个函数应用到数据框时，出现了错误：
st.apply(calculate, axis=1)
---------------------------------------------------------------------------
AssertionError Traceback (most recent call last)
<ipython-input-248-acb7a44054a7> in <module>()
----> 1 st.apply(calculate, axis=1)
C:\Python27\lib\site-packages\pandas\core\frame.pyc in apply(self, func, axis, broadcast, raw, args, **kwds)
4191 return self._apply_raw(f, axis)
4192 else:
-> 4193 return self._apply_standard(f, axis)
4194 else:
4195 return self._apply_broadcast(f, axis)
C:\Python27\lib\site-packages\pandas\core\frame.pyc in _apply_standard(self, func, axis, ignore_failures)
4274 index = None
4275
-> 4276 result = self._constructor(data=results, index=index)
4277 result.rename(columns=dict(zip(range(len(res_index)), res_index)),
4278 inplace=True)
C:\Python27\lib\site-packages\pandas\core\frame.pyc in __init__(self, data, index, columns, dtype, copy)
390 mgr = self._init_mgr(data, index, columns, dtype=dtype, copy=copy)
391 elif isinstance(data, dict):
--> 392 mgr = self._init_dict(data, index, columns, dtype=dtype)
393 elif isinstance(data, ma.MaskedArray):
394 mask = ma.getmaskarray(data)
C:\Python27\lib\site-packages\pandas\core\frame.pyc in _init_dict(self, data, index, columns, dtype)
521
522 return _arrays_to_mgr(arrays, data_names, index, columns,
--> 523 dtype=dtype)
524
525 def _init_ndarray(self, values, index, columns, dtype=None,
C:\Python27\lib\site-packages\pandas\core\frame.pyc in _arrays_to_mgr(arrays, arr_names, index, columns, dtype)
5411
5412 # consolidate for now
-> 5413 mgr = BlockManager(blocks, axes)
5414 return mgr.consolidate()
5415
C:\Python27\lib\site-packages\pandas\core\internals.pyc in __init__(self, blocks, axes, do_integrity_check)
802
803 if do_integrity_check:
--> 804 self._verify_integrity()
805
806 self._consolidate_check()
C:\Python27\lib\site-packages\pandas\core\internals.pyc in _verify_integrity(self)
892 "items")
893 if block.values.shape[1:] != mgr_shape[1:]:
--> 894 raise AssertionError('Block shape incompatible with manager')
895 tot_items = sum(len(x.items) for x in self.blocks)
896 if len(self.items) != tot_items:
AssertionError: Block shape incompatible with manager
接着，我打算用 apply 返回的值来给两个新列赋值，方法可以参考这个问题。可是，我连这一步都没法做到！如果我只返回一个值，这一切都能正常工作。
使用循环：
我首先在数据框中创建了两个新列，并把它们设置为 None：
st['a'] = None
st['b'] = None
然后我遍历所有的索引，试图修改这些 None 值，但我做的修改似乎没有效果。也就是说，没有产生错误，但数据框似乎没有被修改。
for i in st.index:
# do calc here
st.ix[i]['a'] = a
st.ix[i]['b'] = b
我以为这两种方法都能成功，但都没有。那么，我到底哪里出错了呢？有什么更好、更“pythonic”和“pandaonic”的方法来做到这一点吗？
5 个回答
5
这个问题在这里解决了：
针对你的问题，这个方法应该有效：
def calculate(s):
a = s['path'] + 2*s['row'] # Simple calc for example
b = s['path'] * 0.153
return pd.Series({'col1': a, 'col2': b})
df = df.merge(df.apply(calculate, axis=1), left_index=True, right_index=True)
18
我总是使用lambda表达式和内置的 map() 函数，通过组合其他行来创建新行：
st['a'] = map(lambda path, row: path + 2 * row, st['path'], st['row'])
虽然这样做可能对处理数字列的线性组合来说稍微复杂了一点，但我觉得这样做是个好习惯，因为它可以用于更复杂的行组合（比如处理字符串）或者用其他列的数据来填补某一列的缺失值。
举个例子，假设你有一个包含性别和职称的表格，其中一些职称是缺失的。你可以用一个函数来填补这些缺失的职称，如下所示：
title_dict = {'male': 'mr.', 'female': 'ms.'}
table['title'] = map(lambda title,
gender: title if title != None else title_dict[gender],
table['title'], table['gender'])
28
要让第一种方法有效，可以试着返回一个序列，而不是一个元组（apply函数出错是因为它不知道怎么把行重新组合在一起，因为列的数量和原来的数据框不匹配）。
def calculate(s):
a = s['path'] + 2*s['row'] # Simple calc for example
b = s['path'] * 0.153
return pd.Series(dict(col1=a, col2=b))
第二种方法应该可以用，如果你把：
st.ix[i]['a'] = a
换成：
st.ix[i, 'a'] = a