将pandas函数应用于列以创建多个新列？

如何在熊猫中做到这一点：

我extract_text_features在单个文本列上有一个函数，返回多个输出列。具体来说，该函数返回6个值。

该函数有效，但是似乎没有任何合适的返回类型（pandas DataFrame / numpy array / Python list），以便可以正确分配输出 df.ix[: ,10:16] = df.textcol.map(extract_text_features)

所以，我想我需要回落到与迭代df.iterrows()，按照这个？

更新：进行迭代的df.iterrows()速度至少要慢20倍，所以我放弃了该功能并将其拆分为六个不同的.map(lambda ...)调用。

更新2：这个问题是在v0.11.0左右问的。因此，许多问题和答案不太相关。

基于user1827356的答案，您可以使用df.merge以下命令一口气完成分配：

df.merge(df.textcol.apply(lambda s: pd.Series({'feature1':s+1, 'feature2':s-1})), 
    left_index=True, right_index=True)

    textcol  feature1  feature2
0  0.772692  1.772692 -0.227308
1  0.857210  1.857210 -0.142790
2  0.065639  1.065639 -0.934361
3  0.819160  1.819160 -0.180840
4  0.088212  1.088212 -0.911788

编辑： 请注意巨大的内存消耗和低速：https : //ys-l.github.io/posts/2015/08/28/how-not-to-use-pandas-apply/！

我通常使用以下方法zip：

>>> df = pd.DataFrame([[i] for i in range(10)], columns=['num'])
>>> df
    num
0    0
1    1
2    2
3    3
4    4
5    5
6    6
7    7
8    8
9    9

>>> def powers(x):
>>>     return x, x**2, x**3, x**4, x**5, x**6

>>> df['p1'], df['p2'], df['p3'], df['p4'], df['p5'], df['p6'] = \
>>>     zip(*df['num'].map(powers))

>>> df
        num     p1      p2      p3      p4      p5      p6
0       0       0       0       0       0       0       0
1       1       1       1       1       1       1       1
2       2       2       4       8       16      32      64
3       3       3       9       27      81      243     729
4       4       4       16      64      256     1024    4096
5       5       5       25      125     625     3125    15625
6       6       6       36      216     1296    7776    46656
7       7       7       49      343     2401    16807   117649
8       8       8       64      512     4096    32768   262144
9       9       9       81      729     6561    59049   531441

这是我过去所做的

df = pd.DataFrame({'textcol' : np.random.rand(5)})

df
    textcol
0  0.626524
1  0.119967
2  0.803650
3  0.100880
4  0.017859

df.textcol.apply(lambda s: pd.Series({'feature1':s+1, 'feature2':s-1}))
   feature1  feature2
0  1.626524 -0.373476
1  1.119967 -0.880033
2  1.803650 -0.196350
3  1.100880 -0.899120
4  1.017859 -0.982141

编辑完整性

pd.concat([df, df.textcol.apply(lambda s: pd.Series({'feature1':s+1, 'feature2':s-1}))], axis=1)
    textcol feature1  feature2
0  0.626524 1.626524 -0.373476
1  0.119967 1.119967 -0.880033
2  0.803650 1.803650 -0.196350
3  0.100880 1.100880 -0.899120
4  0.017859 1.017859 -0.982141

对于95％的用例，这是完成此操作的正确，最简单的方法：

>>> df = pd.DataFrame(zip(*[range(10)]), columns=['num'])
>>> df
    num
0    0
1    1
2    2
3    3
4    4
5    5

>>> def example(x):
...     x['p1'] = x['num']**2
...     x['p2'] = x['num']**3
...     x['p3'] = x['num']**4
...     return x

>>> df = df.apply(example, axis=1)
>>> df
    num  p1  p2  p3
0    0   0   0    0
1    1   1   1    1
2    2   4   8   16
3    3   9  27   81
4    4  16  64  256

在2018年，我apply()与论点一起使用result_type='expand'

>>> appiled_df = df.apply(lambda row: fn(row.text), axis='columns', result_type='expand')
>>> df = pd.concat([df, appiled_df], axis='columns')

只需使用 result_type="expand"

df = pd.DataFrame(np.random.randint(0,10,(10,2)), columns=["random", "a"])
df[["sq_a","cube_a"]] = df.apply(lambda x: [x.a**2, x.a**3], axis=1, result_type="expand")

摘要：如果只想创建几列，请使用df[['new_col1','new_col2']] = df[['data1','data2']].apply( function_of_your_choosing(x), axis=1)

对于此解决方案，您要创建的新列数必须等于用作.apply（）函数输入的列数。如果您想做其他事情，请查看其他答案。

细节 假设您有两列数据框。第一列是一个人在10岁时的身高；第二个是说人20岁时的身高。

假设您需要计算每个人的身高的平均值和每个人的身高之和。每行两个值。

您可以通过以下即将应用的功能进行此操作：

def mean_and_sum(x):
    """
    Calculates the mean and sum of two heights.
    Parameters:
    :x -- the values in the row this function is applied to. Could also work on a list or a tuple.
    """

    sum=x[0]+x[1]
    mean=sum/2
    return [mean,sum]

您可以这样使用此功能：

 df[['height_at_age_10','height_at_age_20']].apply(mean_and_sum(x),axis=1)

（要清楚：此apply函数从子集数据框中的每一行中获取值，并返回一个列表。）

但是，如果您这样做：

df['Mean_&_Sum'] = df[['height_at_age_10','height_at_age_20']].apply(mean_and_sum(x),axis=1)

您将创建1个新列，其中包含[mean，sum]列表，您可能希望避免这些列表，因为这将需要另一个Lambda / Apply。

相反，您想将每个值分成自己的列。为此，您可以一次创建两列：

df[['Mean','Sum']] = df[['height_at_age_10','height_at_age_20']]
.apply(mean_and_sum(x),axis=1)

对我来说，这工作：

输入df

df = pd.DataFrame({'col x': [1,2,3]})
   col x
0      1
1      2
2      3

功能

def f(x):
    return pd.Series([x*x, x*x*x])

创建2个新列：

df[['square x', 'cube x']] = df['col x'].apply(f)

输出：

   col x  square x  cube x
0      1         1       1
1      2         4       8
2      3         9      27

我已经看过几种方法，这里显示的方法（返回熊猫系列）似乎并不是最有效的方法。

如果我们从随机数据的较大数据帧开始：

# Setup a dataframe of random numbers and create a 
df = pd.DataFrame(np.random.randn(10000,3),columns=list('ABC'))
df['D'] = df.apply(lambda r: ':'.join(map(str, (r.A, r.B, r.C))), axis=1)
columns = 'new_a', 'new_b', 'new_c'

此处显示的示例：

# Create the dataframe by returning a series
def method_b(v):
    return pd.Series({k: v for k, v in zip(columns, v.split(':'))})
%timeit -n10 -r3 df.D.apply(method_b)

10个循环，每个循环最好3：2.77 s

替代方法：

# Create a dataframe from a series of tuples
def method_a(v):
    return v.split(':')
%timeit -n10 -r3 pd.DataFrame(df.D.apply(method_a).tolist(), columns=columns)

10个循环，每个循环最好3：8.85毫秒

据我估计，采用一系列元组然后将其转换为DataFrame效率要高得多。如果我的工作有误，我很想听听人们的想法。

对于大量数据，公认的解决方案将非常慢。投票数最多的解决方案有点难以阅读，而且对于数字数据也很慢。如果每个新列都可以独立于其他列进行计算，那么我将直接分配它们，而无需使用apply。

假字符数据示例

在DataFrame中创建100,000个字符串

df = pd.DataFrame(np.random.choice(['he jumped', 'she ran', 'they hiked'],
                                   size=100000, replace=True),
                  columns=['words'])
df.head()
        words
0     she ran
1     she ran
2  they hiked
3  they hiked
4  they hiked

假设我们要像原始问题中那样提取一些文本特征。例如，让我们提取第一个字符，计算字母“ e”的出现并将该短语大写。

df['first'] = df['words'].str[0]
df['count_e'] = df['words'].str.count('e')
df['cap'] = df['words'].str.capitalize()
df.head()
        words first  count_e         cap
0     she ran     s        1     She ran
1     she ran     s        1     She ran
2  they hiked     t        2  They hiked
3  they hiked     t        2  They hiked
4  they hiked     t        2  They hiked

时机

%%timeit
df['first'] = df['words'].str[0]
df['count_e'] = df['words'].str.count('e')
df['cap'] = df['words'].str.capitalize()
127 ms ± 585 µs per loop (mean ± std. dev. of 7 runs, 10 loops each)

def extract_text_features(x):
    return x[0], x.count('e'), x.capitalize()

%timeit df['first'], df['count_e'], df['cap'] = zip(*df['words'].apply(extract_text_features))
101 ms ± 2.96 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)

令人惊讶的是，您可以通过遍历每个值来获得更好的性能

%%timeit
a,b,c = [], [], []
for s in df['words']:
    a.append(s[0]), b.append(s.count('e')), c.append(s.capitalize())

df['first'] = a
df['count_e'] = b
df['cap'] = c
79.1 ms ± 294 µs per loop (mean ± std. dev. of 7 runs, 10 loops each)

伪造数值数据的另一个示例

创建一百万个随机数并powers从上面测试功能。

df = pd.DataFrame(np.random.rand(1000000), columns=['num'])


def powers(x):
    return x, x**2, x**3, x**4, x**5, x**6

%%timeit
df['p1'], df['p2'], df['p3'], df['p4'], df['p5'], df['p6'] = \
       zip(*df['num'].map(powers))
1.35 s ± 83.6 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)

分配每列的速度提高了25倍，并且可读性强：

%%timeit 
df['p1'] = df['num'] ** 1
df['p2'] = df['num'] ** 2
df['p3'] = df['num'] ** 3
df['p4'] = df['num'] ** 4
df['p5'] = df['num'] ** 5
df['p6'] = df['num'] ** 6
51.6 ms ± 1.9 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)

我在此处做出了类似的回复，并提供了更多详细信息，说明了apply通常为什么不走这条路。

在另外两个类似的问题中发布了相同的答案。我更喜欢这样做的方式是将函数的返回值包装成一系列：

def f(x):
    return pd.Series([x**2, x**3])

然后使用Apply如下创建单独的列：

df[['x**2','x**3']] = df.apply(lambda row: f(row['x']), axis=1)

您可以返回整行而不是值：

df = df.apply(extract_text_features,axis = 1)

函数返回行的位置

def extract_text_features(row):
      row['new_col1'] = value1
      row['new_col2'] = value2
      return row

def myfunc(a):
    return a * a

df['New Column'] = df['oldcolumn'].map(myfunc))

这对我有用。将使用已处理的旧列数据创建新列。