Python高级

一

1 Lambda匿名函数

square = lambda x: x*x

# 调用Lambda函数
result = square(5)
print(result)  # output:25

2 apply+lmbda

data.apply(func, )

print('1' in '1')  # True

另一个示例

confun=lambda x: Point(x['lon'] ,x['lat'])    #定义从行数据生成Point对象的回调函数 b 
geoms=data.apply(confun,axis=1)               #使用DataFrame对象的apply方法，生成几何对象

• rolling()函数，滑动窗口

df['grade'].rolling(2).mean()
df['grade'].rolling(2).sum()

3 列表推导式

# 原始列表  
original_list = [1, 2, 3, 4, 5]  
  
# 使用列表推导式遍历原始列表并创建新列表  
new_list = [item for item in original_list]  
  
# 打印新列表  
print(new_list)  # 输出: [1, 2, 3, 4, 5]

4 groupby+agg

分组聚合 https://pandas.pydata.org/docs/reference/api/pandas.core.groupby.DataFrameGroupBy.agg.html#pandas.core.groupby.DataFrameGroupBy.agg

# 对education和category进行dummy处理

df_dummies = pd.get_dummies(df_20200316, columns=['education', 'category'])
df_dummies

# print(df_dummies)

# 按照date和hour分组统计
mean = df_dummies.groupby(['date', 'hour']).mean()
mean
print(mean)

count = df_dummies.groupby(['date', 'hour']).agg(np.sum)
count