[英]Pandas: Apply a function aware of column type to every column of a data frame
我想将一个取决于输入列类型的函数应用于数据框中的每一列。 考虑以下数据框:
df = pd.DataFrame( [["a",1],["b",2]], columns = ["string","num"] )
我可以测试列的类型:
>>> df["num"].dtype
dtype('int64')
>>> df["num"].dtype in ["int64"]
True
我可以在所有列上应用一个函数:
>>> df . apply( lambda column: column.sum() )
string ab
num 3
dtype: object
但是如果我让函数依赖于列的类型,我会得到垃圾:
>>> df . apply( lambda column:
... np.nan if not column.dtype in ['float64','float32','int32','int64']
... else column.sum() )
string NaN
num NaN
dtype: float64
有一些解决方案基本上涉及删除非数字列,但我实际上需要保留它们。 这样做的原因是我试图在 df.describe 的结果中附加一行,该行计算每列中的零。 下面是一个类似函数的例子:
def describe_plus(df):
most_stats = df.describe()
missing_stat = pd.DataFrame( df.isnull().sum()
, columns = ["missing"]
).transpose()
length_stat = pd.DataFrame( [[len(df) for _ in df.columns]]
, index = ["length"]
, columns = df.columns )
return length_stat.append( missing_stat.append( most_stats ) )
调用它会给你 pd.describe 的普通输出,加上每列中缺少的长度和数字:
>>> describe_plus( df )
num string
length 2.000000 2.0
missing 0.000000 0.0
count 2.000000 NaN
mean 1.000000 NaN
std 1.414214 NaN
min 0.000000 NaN
25% 0.500000 NaN
50% 1.000000 NaN
75% 1.500000 NaN
max 2.000000 NaN
除了长度和缺失之外,我想在describe_plus中添加第三行,它计算每列中零的数量,或者为不是数字的列提供NaN。
诀窍是丢弃那些非数字变量,计算汇总统计信息,然后简单地附加其他统计信息(这些统计信息是在每一列上定义的,甚至是非数字的)。
def describe_plus_plus(df):
nums = df.select_dtypes(include=[np.number])
zeroes = pd.DataFrame( [nums.apply( lambda col: len( col[col==0] ) /
len(nums) )] )
return zeroes.append( describe_plus( df ) )
它在行动中的例子:
>>> df = pd.DataFrame( [[0,0,0,""],[0,0,1,"a"],[0,1,2,"b"]], columns = ["none","1/3","2/3","string"] )
>>> describe_plus_plus( df )
1/3 2/3 none string
0 0.666667 0.333333 1.0 NaN
length 3.000000 3.000000 3.0 3.0
missing 0.000000 0.000000 0.0 0.0
count 3.000000 3.000000 3.0 NaN
mean 0.333333 1.000000 0.0 NaN
std 0.577350 1.000000 0.0 NaN
min 0.000000 0.000000 0.0 NaN
25% 0.000000 0.500000 0.0 NaN
50% 0.000000 1.000000 0.0 NaN
75% 0.500000 1.500000 0.0 NaN
max 1.000000 2.000000 0.0 NaN
如果您有允许的类型列表,只需使用loc
allowed_types = [np.float64, np.float32,np.int32, np.int64]
mask = df.dtypes.isin(allowed_types)
df.loc[:, mask].sum()
但是,可能更好的方法是使用select_dtypes
,如果您只想选择数字列,请使用np.number
作为父np.number
。
df.select_dtypes(include=[np.number])
当然,如果您确实需要具体,可以将[np.number]
更改为您的allowed_types
列表。
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.