«Apply() работает со всем DataFrame, а Transform() работает с подмножеством. Apply() возвращает новый DataFrame, а Transform() возвращает серию».
Pandas — это популярная библиотека анализа данных на Python, которая предоставляет несколько функций для управления данными. Две наиболее часто используемые функции в Pandas — это «применить» и «преобразовать». Эти функции позволяют вам выполнять операции с вашими данными, но у них есть небольшие отличия, которые могут повлиять на ваш анализ.
В этой статье мы объясним разницу между «применить» и «преобразовать» в Pandas и приведем примеры, иллюстрирующие их использование. Мы также обсудим преимущества и недостатки каждой функции и дадим советы о том, когда их использовать.
Функция «применить» в Pandas позволяет вам применять функцию к каждой строке или столбцу DataFrame. Функция может быть любым вызываемым объектом, например функцией, лямбда-функцией или функцией NumPy.
Функция «применить» очень гибкая, так как она может обрабатывать многие типы операций с вашими данными. Например, вы можете использовать его для выполнения арифметических операций, строковых операций и даже пользовательских функций.
Давайте рассмотрим пример использования функции «применить». Предположим, у нас есть DataFrame `df`, который содержит следующие данные:
Мы можем использовать функцию «применить», чтобы добавить 1 к каждому элементу в DataFrame, определив лямбда-функцию следующим образом:
df = df.apply(лямбда х: х + 1)
После применения функции DataFrame `df` будет содержать следующие данные:
Функция «преобразование» в Pandas похожа на «применить», но она работает с группами строк или столбцов, а не со всем фреймом данных. Функция может быть любым вызываемым объектом, например функцией, лямбда-функцией или функцией NumPy.
Функция преобразования полезна, когда вы хотите выполнить операцию над подмножеством ваших данных, например, над группой строк или столбцов. Это может быть полезно, когда вы хотите вычислить среднее значение или стандартное отклонение группы строк или столбцов.
Давайте рассмотрим пример использования функции «transform». Предположим, у нас есть DataFrame `df`, который содержит следующие данные:
Мы можем использовать функцию «преобразования» для вычисления среднего значения каждой строки, определив лямбда-функцию следующим образом:
df = df.transform (лямбда x: x.mean())
После применения функции DataFrame `df` будет содержать следующие данные:
Конечно, прошу прощения за путаницу. Вот продолжение статьи:
Как мы видели, функции «применить» и «преобразовать» могут выполнять операции с вашими данными, но между ними есть некоторые ключевые различия.
Одно из основных отличий заключается в том, что «применить» работает со всем DataFrame, тогда как «преобразование» работает с подмножеством данных. Это означает, что «применить» является более гибким и может выполнять более широкий спектр операций, но может быть медленнее, чем «преобразование», при работе с большими наборами данных.
Еще одно отличие состоит в том, что «применить» возвращает новый кадр данных, тогда как «преобразование» возвращает серию той же длины, что и исходные данные. Это означает, что вы можете использовать результат «преобразования» для добавления нового столбца в ваш DataFrame, в то время как результат «применить» должен быть назначен новому фрейму данных.
Знание различий между «применить» и «преобразовать» может помочь вам решить, какую функцию использовать в разных ситуациях.
Используйте «применить», когда вы хотите выполнить операцию со всем DataFrame, например, вычислить среднее значение или стандартное отклонение всех значений в DataFrame. «Применить» также можно использовать, когда вы хотите применить пользовательскую функцию к каждой строке или столбцу DataFrame.
Используйте `преобразование`, когда вы хотите выполнить операцию над подмножеством данных, например, над группой строк или столбцов. «Преобразование» также можно использовать, когда вы хотите добавить новый столбец в свой DataFrame на основе результата операции над группой строк или столбцов.
В заключение мы обсудили различия между функциями «применить» и «преобразовать» в Pandas. Мы видели, что «применить» работает со всем DataFrame и является более гибким, в то время как «преобразование» работает с подмножеством данных и возвращает серию. Мы также предоставили примеры того, как использовать каждую функцию и когда их использовать.
Поняв разницу между этими двумя функциями, вы сможете выбрать ту, которая соответствует вашим потребностям в анализе данных. Мы надеемся, что эта статья оказалась полезной, и желаем вам успехов в анализе данных.
Первоначально опубликовано на https://answerthings69.blogspot.com.