Series或DataFrame数据修改

🕗 发布于 2024-10-19 01:03 机器学习 pandas 数据分析

普通修改

使用loc或iloc修改

修改整列的值

自定义函数 DataFrame.apply()

axis =1 ,按行计算

axis = 0 , 按列计算

案例

自定义函数 DataFrame.applymap()

案例

普通修改

使用loc或iloc修改

loc:通过标签(列名)选择行或者列修改
iloc:通过整数位置(索引下标)选择行和列进行修改

1)准备数据

import pandas as pd

data = {'Name': ['Alice', 'Bob', 'Charlie'],'Age': [25, 30, 35]}
df = pd.DataFrame(data)
df

2)使用loc修改

# 修改第一行第二列的值
df.loc[0,'Age'] = 28
df

3)使用iloc修改

# 使用iloc用整数修改
df.iloc[1,1] = 25
df

修改整列的值

# 将 Age 列的值都改为 30
df['Age'] = 30
df

# 也可以使用条件赋值来修改部分值
# df['Name']=='Bob'
df.loc[df['Name']=='Bob', 'Age'] = 66
df

使用replace修改特定值

可以使用replace方法替换特定的值。

to_replace: 需要替换的数据
value: 替换后的数据
inplace: True或False, 是否在原数据上替换, 默认False

# 将 Name 列中的 Alice 替换为 Alice_new 方式一
df['Name'].replace(to_replace='Alice', value='Alice_new', inplace=True)
df

使用where和mask修改数据

where：保持满足条件的值不变，不满足条件的值进行修改。
mask：与where相反，保持不满足条件的值不变，满足条件的值进行修改。

1) 通过where将 Age 列中小于 30 的值改为 29

# 将 Age 列中小于 30 的值改为 29
df['Age'].where(df['Age']>=30, 29, inplace=True)
df

2) 通过mask将Age 列中大于等于 30 的值改为 66

# 将 Age 列中大于等于 30 的值改为 66
df['Age'].mask(df['Age']>=30, 66, inplace=True)
df

案列

准备数据

import pandas as pd

# 加载数据集 ../data/b_LJdata.csv
df = pd.read_csv('../data/b_LJdata.csv')
df

1) 将第一行的价格设置成 8000

# 将第一行的价格 设置成 8000
copy_df = df.head().copy()
print('============修改前===================')
print(copy_df)

# copy_df.loc[0, '价格'] = 8000
# copy_df.iloc[0, 4] = 8000
price_index = df.columns.get_loc('价格')
copy_df.iloc[0, price_index] = 8000

print('价格下标: ', price_index)  # 4
print('============修改后===================')
print(copy_df)

2) 将价格列设置成 1000, 2000, 3000, 4000, 5000

# 将价格列 设置成 1000, 2000, 3000, 4000, 5000
copy_df = df.head().copy()
print('============修改前===================')
print(copy_df)

copy_df['价格'] = [1000, 2000, 3000, 4000, 5000]

print('============修改后===================')
print(copy_df)

3) 将价格由 8000 替换成 6666

# 将 价格 由 8000 替换成 6666
copy_df = df.head().copy()
print('============修改前===================')
print(copy_df)

# 方式一
# copy_df['价格'].replace(to_replace=8000, value=6666, inplace=True)

# 方式二
copy_df['价格'] = copy_df['价格'].replace(to_replace=8000, value=6666)
# 类似与: copy_df['价格'] = [1000, 2000, 3000, 4000, 5000]

print('============修改后===================')
print(copy_df)

4) 将朝向由东 替换成南北

# 将 朝向 由 东 替换成 南北
copy_df = df.head().copy()
print('============修改前===================')
print(copy_df)

# 方式一
# copy_df['朝向'].replace(to_replace='东', value='南北', inplace=True)

# 方式二
copy_df['朝向'] = copy_df['朝向'].replace(to_replace='东', value='东北')
# 类似与: copy_df['价格'] = [1000, 2000, 3000, 4000, 5000]

print('============修改后===================')
print(copy_df)

5) 将户型由 2室1厅 替换成 3室2厅

# 将 户型 由 2室1厅 替换成 3室2厅 
copy_df = df.head().copy()
print('============修改前===================')
print(copy_df)

# 方式一
# copy_df['户型'].replace(to_replace='2室1厅', value='3室2厅 ', inplace=True)

# 方式二
copy_df['户型'] = copy_df['户型'].replace(to_replace='2室1厅', value='5室3厅 ')
# 类似与: copy_df['价格'] = [1000, 2000, 3000, 4000, 5000]

print('============修改后===================')
print(copy_df)

自定义函数Series.apply()

在pandas中，Series.apply(func)是一种非常有用的方法，用于对Series中的每个元素应用一个函数。

普通自定义

1) 普通定义

import pandas as pd

df = pd.DataFrame({'Age': [20, 25, 30, 35, 40]})

# 将age列加3
def add_three(x):
    print('当前元素 --> ' ,x)
    return x  + 3


df['Age'] = df['Age'].apply(add_three)
print(df)

2)使用lambda

import pandas as pd

df = pd.DataFrame({'Age': [20, 25, 30, 35, 40]})

df['Age'] = df['Age'].apply(lambda x : x  + 3)
print(df)

传递参数给函数

1)通过传参,一个是Series中的元素值x，另一个是通过apply方法传入的参数n。

def add_2(x,num):
    print(f"x={x},num={num}")
    return x + num

df['Age'] = df['Age'].apply(add_2,args = (3,))
print(df)

2)使用lambda

df['Age'] = df['Age'].apply(lambda x,num :x + num ,args = (3,))
print(df)

apply方法与pandas方法结合

1) 输出偶数

import pandas as pd

df = pd.DataFrame({'Values': [15, 20, 33, 40, 50]})

def is_even(x):
    return x % 2 == 0

even_mask = df['Values'].apply(is_even)
even_values = df[even_mask]['Values']
print(even_values)

2) lambda

# 目标:输出 偶数
import pandas as pd

df = pd.DataFrame({'vals': [15, 20, 33, 40, 50]})

returns = df['vals'].apply(lambda x : x % 2 == 0)
print(df[returns]['vals'])

案列

准备数据

import pandas as pd

# 加载数据
df = pd.read_csv('../data/b_LJdata.csv')

copy_df = df.head().copy()
copy_df

1) 如果区域是天通苑租房就改成昌平区, 否则保持不变(自定义函数)

# 1 如果区域 是 天通苑租房 就改成 昌平区, 否则 保持不变(自定义函数)
copy_df = df.head().copy()

def change_area(x):
    if x == '天通苑租房':
        return '昌平区'
    else:
        return x
    
copy_df['区域'] = copy_df['区域'].apply(change_area)
print(copy_df)

2) 如果区域是望京租房就改成朝阳区, 否则保持不变(lambda表达式)

# 2 如果区域 是 望京租房 就改成 朝阳区, 否则 保持不变(lambda表达式)    
copy_df = df.head().copy()

   
copy_df['区域'] = copy_df['区域'].apply(lambda x : '朝阳区' if x == '望京租房' else x)
print(copy_df)

3) 如果区域是天通苑租房就设置成昌平区, 否则设置成其他区(带参数版本函数实现)

# 3 如果区域是 天通苑租房 就设置成 昌平区, 否则 设置成 其他区(带参数版本 函数实现)
copy_df = df.head().copy()

def change_area(x,arg1,arg2):
    if x == '天通苑租房':
        return arg1
    else:
        return arg2
    
copy_df['区域'] = copy_df['区域'].apply(change_area,args = ('昌平区','其他区'))
print(copy_df)

4) 4 如果区域是天通苑租房就设置成昌平区, 否则设置成其他区(带参数版本 lambda表达式实现)

# 4 如果区域是 天通苑租房 就设置成 昌平区, 否则 设置成 其他区(带参数版本 lambda表达式实现)
copy_df = df.head().copy()

copy_df['区域'] = copy_df['区域'].apply(lambda x,arg1,arg2 : arg1 if x == '天通苑租房' else arg2 ,args = ('昌平区','其他区'))
print(copy_df)

自定义函数 DataFrame.apply()

在 pandas 中，DataFrame.apply(func, axis=0/1) 方法用于沿指定轴应用函数。

axis =1 ,按行计算

1) 普通定义

import pandas as pd

df = pd.DataFrame({'A': [1, 2, 3], 'B': [4, 5, 6]})
print(df)

# 得到 A+ B
def func(objects):
    result = objects['A'] + objects['B']
    return result
    # return objects['A'] + objects['B']
# axis=1 按行处理
df.apply(func, axis=1)

2) 使用lambda

# 2.使用lamdba处理
import pandas as pd

df = pd.DataFrame({'A': [1, 2, 3], 'B': [4, 5, 6]})

new_df = df.apply(lambda objects:objects['A'] + objects['B'] , axis=1)
new_df

3) 在最后新建一列

# 3.在最后新建一列
import pandas as pd

df = pd.DataFrame({'A': [1, 2, 3], 'B': [4, 5, 6]})

def func(objects):
    objects['C'] = objects['A'] + objects['B']
    return objects

df.apply(func, axis=1)

axis = 0 , 按列计算

1) 普通定义

import pandas as pd

df = pd.DataFrame({'A': [1, 2, 3], 'B': [4, 5, 6]})
print(df)

print("=====================")
def process_column(col):
    return col.sum()

result = df.apply(process_column, axis=0)
print(result)

2) 使用lambda

import pandas as pd

df = pd.DataFrame({'A': [1, 2, 3], 'B': [4, 5, 6]})
print(df)

print("=====================")

result = df.apply(lambda col : col.sum(), axis=0)
print(result)

案例

1) 行处理

import pandas as pd

# 加载数据
df = pd.read_csv('../data/b_LJdata.csv')

copy_df = df.head().copy()
print(copy_df)
print("===============================")
# 目标1:将 天通苑租房 提高 2000
def price_func(objects):
    if objects['区域'] == '天通苑租房':
        objects['价格'] += 2000
    return objects

copy_df = copy_df.apply(price_func, axis=1)
print(copy_df)

2) 列处理

import pandas as pd

# 加载数据
df = pd.read_csv('../data/b_LJdata.csv')

copy_df = df.head().copy()
print(copy_df)

# 目标2:将所有的房租 涨1000 块
def change_price(objects):
    if objects._name == '价格':
        objects += 1000
        
    return objects

copy_df.apply(change_price, axis=0)

自定义函数 DataFrame.applymap()

applymap：对整个DataFrame的每个元素应用函数进行修改。

1) 准备数据

import pandas as pd

# 创建一个示例数据框
data = {'Col1': [10, 20, 30],
        'Col2': [40, 50, 60],
        'Col3': [70, 80, 90]}
df = pd.DataFrame(data)
df

2) 给每个单元格元素乘以2倍

# 目标:每个元素 * 2

def fn(x):
    return x * 2

df = df.applymap(fn)
print(df)

# 使用lambda
df = df.applymap(lambda x : x*2)
df

案例

准备数据

import pandas as pd

# 加载数据
df = pd.read_csv('../data/b_LJdata.csv')

copy_df = df.head().copy()
print(copy_df)

1) 只要值是 '2室1厅' 就改成 '3室2厅'(函数版)

#%%
# 目标: 只要值是 '2室1厅' 就改成 '3室2厅'(函数版)
def fn(x):
    if x == '2室1厅':
        return '3室2厅'
    else:
        return x
    
copy_df = copy_df.applymap(fn)
print(copy_df)

2) 使用lambda

# 使用lambda
copy_df = copy_df.applymap(lambda x :'3室2厅' if x == '2室1厅' else x)
print(copy_df)

原文地址：https://blog.csdn.net/weixin_58305115/article/details/142961038

免责声明：本站文章内容转载自网络资源，如本站内容侵犯了原著者的合法权益，可联系本站删除。更多内容请关注自学内容网（zxcms.com）！

上一篇：linux 内核如何读取你配置好的.config文件
下一篇：java 调用 k8s 的 apiserver

leetcode289:生命游戏
根据，简称为，是英国数学家约翰·何顿·康威在 1970 年发明的细胞自动机。给定一个包含m × n个格子的面板，每一个格子都可以看成是一个细胞。每个细胞都具有一个初始状态：1即为（live），或0即为
阅读更多2024-10-20
MongoDB数据恢复
注意：两个MongoDB的版本要一致，本文使用的是mongo:4.2.24。先把K8S上面的MongoDB 容器停止（可以把副本改成0）。1、将容器挂载MongoDB的数据目录备份到本地。经常是数据文
阅读更多2024-10-20
C#中实现事务
C#中实现事务
阅读更多2024-10-20
【LeetCode每日一题】——560.和为 K 的子数组
给你一个整数数组 nums 和一个整数 k ，请你统计并返回该数组中和为 k 的子数组的个数。子数组是数组中元素的连续非空序列。
阅读更多2024-10-20
「漏洞复现」满客宝智慧食堂系统 selectUserByOrgId 未授权访问漏洞
请勿利用文章内的相关技术从事非法测试，由于传播、利用此文所提供的信息而造成的任何直接或者间接的后果及损失，均由使用者本人负责，作者不为此承担任何责任。工具来自网络，安全性自测，如有侵权请联系删除。本次
阅读更多2024-10-20
React面试题目（从基本到高级）
React前端面试常见题目涵盖了React的基础概念、组件、状态管理、生命周期、性能优化等多个方面。
阅读更多2024-10-20
12.个人博客系统（Java项目基于spring和vue）
1 在校学习的学生，可用于日常学习使用或是毕业设计使用 2 毕业一到两年的开发人员，用于锻炼自己的独立功能模块设计能力，增强代码编写能力。 3 亦可以部署为商化项目使用。 4 需要完整资料及源码
阅读更多2024-10-20
YoloV8改进策略：注意力改进|DeBiFormer，可变形双级路由注意力|引入DeBiLevelRoutingAttention注意力模块（全网首发）
本次改进的核心在于将DeBiLevelRoutingAttention模块嵌入到YoloV8的主干网络中，具体位置是在SPPF（Spatial Pyramid Pooling Fast）模块之后。这一
阅读更多2024-10-20
word取消自动单词首字母大写
情况说明：在word输入单词后首字母会自动变成大写取消单词首字母大写步骤：（1）点击菜单栏文件（2）点击“更多”——>“选项”（3）点击“校对”——>“自动更正选项”（4）取消“句首字母大
阅读更多2024-10-20
web前端网页用户注册页面
【代码】web前端网页用户注册页面。
阅读更多2024-10-20

Series或DataFrame数据修改

普通修改

使用loc或iloc修改

修改整列的值

使用replace修改特定值

使用where和mask修改数据

案列

自定义函数Series.apply()

普通自定义

传递参数给函数

apply方法与pandas方法结合

案列

自定义函数 DataFrame.apply()

axis =1 ,按行计算

axis = 0 , 按列计算

案例

自定义函数 DataFrame.applymap()

案例

相关文章