pandas.Series.apply # 系列。apply ( func , Convert_dtype = _NoDefault.no_default , args = () , * , by_row = 'compat' , ** kwargs ) [来源] # 对 Series 的值调用函数。 可以是 ufunc(适用于整个 Series 的 NumPy 函数)或仅适用于单个值的 Python 函数。 参数: 函数函数要应用的 Python 函数或 NumPy ufunc。 Convert_dtype bool, 默认 True尝试为元素函数结果找到更好的数据类型。如果为 False,则保留为 dtype=object。请注意,某些扩展数组数据类型(例如分类数据类型)始终保留数据类型。 自版本 2.1.0 起已弃用:convert_dtype已弃用。ser.astype(object).apply() 如果你愿意的话,可以这样做convert_dtype=False。 参数元组在系列值之后传递给 func 的位置参数。 by_row False 或“compat”,默认“compat”如果"compat"func 是可调用的,则 func 将传递 Series 的每个元素,例如Series.map.如果 func 是可调用对象的列表或字典,将首先尝试将每个 func 转换为 pandas 方法。如果这不起作用,将尝试再次调用 apply by_row="compat" ,如果失败,将再次调用 apply by_row=False (向后兼容)。如果为 False,则该函数将立即传递整个系列。 by_rowfunc当是字符串时没有效果。 2.1.0 版本中的新增功能。 **夸格传递给 func 的附加关键字参数。 返回: 系列或数据框如果 func 返回 Series 对象,则结果将是 DataFrame。 也可以看看 Series.map用于逐元素操作。 Series.agg只执行聚合类型的操作。 Series.transform只执行转换类型操作。 笔记 改变传递的对象的函数可能会产生意外的行为或错误,因此不受支持。 有关更多详细信息,请参阅使用用户定义函数 (UDF) 方法进行变异。 例子 为每个城市创建一个包含典型夏季气温的系列。 >>> s = pd.Series([20, 21, 12], ... index=['London', 'New York', 'Helsinki']) >>> s London 20 New York 21 Helsinki 12 dtype: int64 通过定义一个函数并将其作为参数传递给 来对值求平方apply()。 >>> def square(x): ... return x ** 2 >>> s.apply(square) London 400 New York 441 Helsinki 144 dtype: int64 通过将匿名函数作为参数传递给 来对值求平方apply()。 >>> s.apply(lambda x: x ** 2) London 400 New York 441 Helsinki 144 dtype: int64 定义需要附加位置参数的自定义函数,并使用关键字传递这些附加参数 args。 >>> def subtract_custom_value(x, custom_value): ... return x - custom_value >>> s.apply(subtract_custom_value, args=(5,)) London 15 New York 16 Helsinki 7 dtype: int64 定义一个接受关键字参数并将这些参数传递给 的自定义函数apply。 >>> def add_custom_values(x, **kwargs): ... for month in kwargs: ... x += kwargs[month] ... return x >>> s.apply(add_custom_values, june=30, july=20, august=25) London 95 New York 96 Helsinki 87 dtype: int64 使用 Numpy 库中的函数。 >>> s.apply(np.log) London 2.995732 New York 3.044522 Helsinki 2.484907 dtype: float64