aplly-lambda-map用法

aplly-lambda-map用法

1 lambda

lambda原型为：lambda 参数:操作(参数)
lambda函数也叫匿名函数，即没有具体名称的函数，它允许快速定义单行函数，可以用在任何需要函数的地方。这区别于def定义的函数。
lambda与def的区别：
1）def创建的方法是有名称的，而lambda没有。
2）lambda会返回一个函数对象，但这个对象不会赋给一个标识符，而def则会把函数对象赋值给一个变量（函数名）。
3）lambda只是一个表达式，而def则是一个语句。
4）lambda表达式” : “后面，只能有一个表达式，def则可以有多个。
5）像if或for或print等语句不能用于lambda中，def可以。
6）lambda一般用来定义简单的函数，而def可以定义复杂的函数。

 

2 map

会根据提供的函数对指定序列做映射。

第一个参数 function 以参数序列中的每一个元素调用 function 函数，返回包含每次 function 函数返回值的新列表。

#单个参数的：
g = lambda x : x ** 2
print(g(3))

#多个参数的：
g = lambda x, y, z : (x + y) ** z
print(g(1,2,2))

def sq(x):
    return x * x

# 调用函数
tmp = map(sq, [y for y in range(10)])
print(list(tmp))

# 直接通过 lambda 
tmp = map(lambda x: x*x, [y for y in range(10)])
print(list(tmp))

'''
9
9
[0, 1, 4, 9, 16, 25, 36, 49, 64, 81]
[0, 1, 4, 9, 16, 25, 36, 49, 64, 81]
'''

 

3 Apply

Python中apply函数的格式为：apply(func,*args,**kwargs)
当然，func可以是匿名函数。
用途：当一个函数的参数存在于一个元组或者一个字典中时，用来间接的调用这个函数，并将元组或者字典中的参数按照顺序传递给参数
解析：args是一个包含按照函数所需参数传递的位置参数的一个元组，简单来说，假如A函数的函数位置为 A(a=1,b=2),那么这个元组中就必须严格按照这个参数的位置顺序进行传递(a=3,b=4)，而不能是(b=4,a=3)这样的顺序。kwargs是一个包含关键字参数的字典，而其中args如果不传递，kwargs需要传递，则必须在args的位置留空。
apply的返回值就是函数func函数的返回值。

df=pd.DataFrame(np.random.randn(4,3),columns=list('bde'),index=['utah','ohio','texas','oregon'])
print(df, '\n')

#将函数应用到由各列或行形成的一维数组上。DataFrame的apply方法可以实现此功能
f=lambda x:x.max()-x.min()
#默认情况下会以列为单位，分别对列应用函数
t1=df.apply(f)
print(t1, '\n')

t2=df.apply(f,axis=1)
print(t2, '\n')
 
#除标量外，传递给apply的函数还可以返回由多个值组成的Series
def f(x):
    return pd.Series([x.min(),x.max()],index=['min','max'])
t3=df.apply(f)
#从运行的结果可以看出，按列调用的顺序，调用函数运行的结果在右边依次追加
print(t3, '\n')
 
#元素级的python函数，将函数应用到每一个元素
#将DataFrame中的各个浮点值保留两位小数
f=lambda x: '%.2f'%x
t3=df.applymap(f)
print(t3, '\n')
 
#注意，之所以这里用map,是因为Series有一个元素级函数的map方法。而dataframe只有applymap。
t4=df['e'].map(f)
print(t4)

'''

               b         d         e
utah    1.077723  2.070481 -1.101830
ohio    0.004598 -0.500520 -1.132097
texas  -1.061910 -0.698187  0.053061
oregon -0.353797  0.328029  0.076706 

b    2.139633
d    2.768668
e    1.208803
dtype: float64 

utah      3.172312
ohio      1.136695
texas     1.114971
oregon    0.681826
dtype: float64 

            b         d         e
min -1.061910 -0.698187 -1.132097
max  1.077723  2.070481  0.076706 

            b      d      e
utah     1.08   2.07  -1.10
ohio     0.00  -0.50  -1.13
texas   -1.06  -0.70   0.05
oregon  -0.35   0.33   0.08 

utah      -1.10
ohio      -1.13
texas      0.05
oregon     0.08
Name: e, dtype: object
'''

 

# Recreate the dataframe
data = dict(Size=[80000,8000000,800000000])
df = pd.DataFrame(data)

def func(x):
    if x < 1e6:
        return "<1m"
    elif x < 1e7:
        return "1-10m"
    elif x < 5e7:
        return "10-50m"
    else:
        return 'N/A'
    
df['Classification'] = df['Size'].apply(func)
df['Classification'] = df['Size'].apply(lambda x: func(x))
print(df)

'''

        Size Classification
0      80000            <1m
1    8000000          1-10m
2  800000000            N/A
'''

 

# apply 多列条件判断下新增一列
data = {'city': ['Beijing', 'Shanghai', 'Guangzhou', 'Shenzhen', 'Hangzhou', 'Chongqing', \
                 'Beijing', 'Shanghai', 'Guangzhou', 'Shenzhen', 'Hangzhou', 'Chongqing'],
       'year': [2015,2016,2015,2017,2016, 2016, 2015,2016,2015,2017,2016, 2016],
       'population': [2100, 2300, 1000, 700, 500, 500, 2100, 2300, 1000, 700, 500, 500]}
frame = pd.DataFrame(data, columns = ['year', 'city', 'population', 'debt'])
frame

def function1(a, b):
    if 'ing' in a and b == 2016:
        return 1
    else:
        return 0

frame['test'] = frame.apply(lambda x: 1 if (('ing' in x.city) & (x.year == 2016)) else 0, axis = 1)
frame['test'] = frame.apply(lambda x: function1(x.city, x.year), axis = 1)
print(frame, '\n')

frame['panduan'] = frame.city.apply(lambda x: 1 if 'ing' in x else 0)
print(frame)

'''

    year       city  population debt  test
0   2015    Beijing        2100  NaN     0
1   2016   Shanghai        2300  NaN     0
2   2015  Guangzhou        1000  NaN     0
3   2017   Shenzhen         700  NaN     0
4   2016   Hangzhou         500  NaN     0
5   2016  Chongqing         500  NaN     1
6   2015    Beijing        2100  NaN     0
7   2016   Shanghai        2300  NaN     0
8   2015  Guangzhou        1000  NaN     0
9   2017   Shenzhen         700  NaN     0
10  2016   Hangzhou         500  NaN     0
11  2016  Chongqing         500  NaN     1 

    year       city  population debt  test  panduan
0   2015    Beijing        2100  NaN     0        1
1   2016   Shanghai        2300  NaN     0        0
2   2015  Guangzhou        1000  NaN     0        0
3   2017   Shenzhen         700  NaN     0        0
4   2016   Hangzhou         500  NaN     0        0
5   2016  Chongqing         500  NaN     1        1
6   2015    Beijing        2100  NaN     0        1
7   2016   Shanghai        2300  NaN     0        0
8   2015  Guangzhou        1000  NaN     0        0
9   2017   Shenzhen         700  NaN     0        0
10  2016   Hangzhou         500  NaN     0        0
11  2016  Chongqing         500  NaN     1        1
'''