如何就地使用 Pandas apply()？

在本文中，我们将了解如何在Python中就地使用 Pandas apply()。

在Python中，此函数等效于 map()函数。它将一个函数作为输入并将其应用于整个 DataFrame。如果您正在处理表格形式的数据，则需要选择您的函数应该作用于哪个轴（0 表示列；1 表示行）。

pandas apply() 方法是否有就地参数？

不，apply() 方法不包含就地参数，这与这些具有就地参数的 pandas 方法不同：

• df.drop()
• df.rename（就地=真）
• 填充（）
• 下降（）
• 排序值（）
• 重置索引（）
• 排序索引（）
• 改名（）

就地参数实际上是什么意思？

当 inplace = True 时，数据在原地编辑，这意味着它将不返回任何内容，并且将更新数据框。当 inplace = False（默认值）时，执行操作并返回对象的副本。

示例 1：为一列就地应用（）

在下面的代码中。我们首先导入 pandas 包并使用 pd.read_csv() 导入我们的 CSV 文件。导入后，我们在数据框的“体验”列上使用应用函数。我们将该列的字符串转换为大写。

使用的 CSV 文件：

Python3

# code
import pandas as pd
  
# importing our dataset
df = pd.read_csv('hiring.csv')
# viewing the dataFrame
print(df)
  
# we change the case of all the strings
# in experience column to uppercase
df['experience'] = df['experience'].apply(str.upper)
  
# viewing the modified column
print(df['experience'])

输出：

0      FIVE
1       TWO
2     SEVEN
3     THREE
4    ELEVEN
Name: experience, dtype: object

示例 2：针对多列就地应用（）

在此示例中，我们在多个列上使用 apply() 方法。我们将列的数据类型从 float 更改为 int。使用的 CSV 文件点击这里。

Python3

import pandas as pd
import numpy as np
  
# importing our dataset
data = pd.read_csv('cluster_blobs.csv')
  
# viewing the dataFrame
print(df)
  
# we convert the datatype of columns from float to int.
data[['X1', 'X2']] = data[['X1', 'X2']].apply(np.int64)
  
# viewing the modified column
print(data[['X1', 'X2']])

输出：

示例 3：为所有列就地应用（）。

在此示例中，我们使用与之前相同的 CSV 文件。这里我们对整个数据框使用 apply() 方法。我们将列的数据类型从 float 更改为 int。

Python3

import pandas as pd
import numpy as np
  
# importing our dataset
data = pd.read_csv('cluster_blobs.csv')
  
# viewing the dataFrame
print(data)
  
# we convert the datatype of
# columns from float to int.
data = data.apply(np.int64)
  
# viewing the modified column
print(data)

输出：