将熊猫函数应用于列以创建多个新列？

我通常使用 zip 执行此操作：

>>> 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

---

在 2020 年，我将 apply() 与参数 result_type='expand' 一起使用

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

---

根据 user1827356 的回答，您可以使用 df.merge 一次性完成作业：

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/！

---

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，这是实现此目的的正确且最简单的方法：

>>> 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

---

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")

---

对我来说，这很有效：

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

---

总结：如果您只想创建几列，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，您创建的新列数必须等于您用作 .apply() 函数输入的列数。如果您想做其他事情，请查看其他答案。

详细信息假设您有两列数据框。第一列是一个人 10 岁时的身高；第二个是20岁时的身高。

假设您需要计算每个人身高的平均值和每个人的身高总和。这是每行两个值。

您可以通过以下即将应用的功能来做到这一点：

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]

你可以像这样使用这个函数：

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

（要清楚：此应用函数从子集数据帧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 个包含 [mean,sum] 列表的新列，您可能希望避免这样做，因为这需要另一个 Lambda/Apply。

相反，您希望将每个值分解为自己的列。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)

---

我已经看过几种方法，这里显示的方法（返回熊猫系列）似乎不是最有效的。

如果我们从一个较大的随机数据数据框开始：

# 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，3 个循环中的最佳：每个循环 2.77 秒

另一种方法：

# 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，3 个循环中的最佳：每个循环 8.85 毫秒

据我估计，采用一系列元组然后将其转换为 DataFrame 会更有效。如果我的工作出现错误，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缓慢。投票数最多的解决方案有点难以阅读，而且数字数据也很慢。如果每个新列都可以独立于其他列进行计算，我将直接分配它们而不使用 apply。

带有假字符数据的示例

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

假设我们想提取一些文本特征，就像在原始问题中所做的那样。例如，让我们提取第一个字符，计算字母“e”的出现次数并将短语大写。

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

计时

%%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，您可以通过循环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)

另一个伪造数字数据的例子

创建 100 万个随机数并从上面测试 powers 函数。

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)

分配每一列的速度提高了 25 倍，并且非常易读：

%%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)

我对 more details here 做出了类似的回应，说明为什么 apply 通常不可行。

---

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个系列：

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)

---

def extract_text_features(feature):
    ...
    ...
    return pd.Series((feature1, feature2)) 

df[['NewFeature1', 'NewFeature1']] = df[['feature']].apply(extract_text_features, axis=1)

在这里，具有单个特征的数据框被转换为两个新特征。也试试这个。

---

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

---

我有一个更复杂的情况，数据集有一个嵌套结构：

import json
data = '{"TextID":{"0":"0038f0569e","1":"003eb6998d","2":"006da49ea0"},"Summary":{"0":{"Crisis_Level":["c"],"Type":["d"],"Special_Date":["a"]},"1":{"Crisis_Level":["d"],"Type":["a","d"],"Special_Date":["a"]},"2":{"Crisis_Level":["d"],"Type":["a"],"Special_Date":["a"]}}}'
df = pd.DataFrame.from_dict(json.loads(data))
print(df)

输出：

        TextID                                            Summary
0  0038f0569e  {'Crisis_Level': ['c'], 'Type': ['d'], 'Specia...
1  003eb6998d  {'Crisis_Level': ['d'], 'Type': ['a', 'd'], 'S...
2  006da49ea0  {'Crisis_Level': ['d'], 'Type': ['a'], 'Specia...

Summary 列包含 dict 对象，因此我将 apply 与 from_dict 和 stack 一起使用来提取 dict 的每一行：

df2 = df.apply(
    lambda x: pd.DataFrame.from_dict(x[1], orient='index').stack(), axis=1)
print(df2)

输出：

    Crisis_Level Special_Date Type     
                0            0    0    1
0            c            a    d  NaN
1            d            a    a    d
2            d            a    a  NaN

看起来不错，但缺少 TextID 列。为了恢复 TextID 列，我尝试了三种方法：

修改 apply 以返回多列： df_tmp = df.copy() df_tmp[['TextID', 'Summary']] = df.apply( lambda x: pd.Series([x[0], pd.DataFrame.from_dict( x[1], orient='index').stack()]), axis=1) print(df_tmp) 输出：TextID 摘要 0 0038f0569e Crisis_Level 0 c Type 0 d Spec... 1 003eb6998d Crisis_Level 0 d Type 0 a ... 2 006da49ea0 Crisis_Level 0 d Type 0 a Spec...但这不是我想要的，摘要结构是扁平的。使用 pd.concat：df_tmp2 = pd.concat([df['TextID'], df2], axis=1) print(df_tmp2) 输出：TextID (Crisis_Level, 0) (Special_Date, 0) (Type, 0) (Type , 1) 0 0038f0569e cad NaN 1 003eb6998d daad 2 006da49ea0 daa NaN 看起来不错，MultiIndex 列结构被保留为元组。但检查列类型：df_tmp2.columns 输出：Index(['TextID', ('Crisis_Level', 0), ('Special_Date', 0), ('Type', 0), ('Type', 1)], dtype='object') 就像一个普通的 Index 类，而不是 MultiIndex 类。使用 set_index：将所有要保留的列转换为行索引，经过一些复杂的应用函数，然后 reset_index 以获取列： df_tmp3 = df.set_index('TextID') df_tmp3 = df_tmp3.apply( lambda x: pd.DataFrame. from_dict(x[0], orient='index').stack(), axis=1) df_tmp3 = df_tmp3.reset_index(level=0) print(df_tmp3) 输出：TextID Crisis_Level Special_Date Type 0 0 0 1 0 0038f0569e cad NaN 1 003eb6998d daad 2 006da49ea0 daa NaN 检查列类型 df_tmp3.columns 输出：MultiIndex(levels=[['Crisis_Level', 'Special_Date', 'Type', 'TextID'], [0, 1, '']],代码=[[3, 0, 1, 2, 2], [2, 0, 0, 0, 1]])

因此，如果您的 apply 函数将返回 MultiIndex 列，并且您想保留它，您可能想尝试第三种方法。

---