参考：https://blog.csdn.net/zwhooo/article/details/79696558  Pandas对DataFrame单列/多列进行运算（map, apply, transform, agg）

 

1.单列运算

在Pandas中，DataFrame的一列就是一个Series, 可以通过map来对一列进行操作：

df['col2'] = df['col1'].map(lambda x: x**2)

其中lambda函数中的x代表当前元素。可以使用另外的函数来代替lambda函数，例如：

define square(x):
    return (x ** 2)
 
df['col2'] = df['col1'].map(square)

 

 

注：举个例子，运用apply，对某一个整列的数据train['time']，进行加1操作：（此处使用apply，很好用！！！！！） 

max_min_scaler = lambda x : x+1
train['time']= train['time'].apply(max_min_scaler)    

#运用apply，对整列数据train['time']进行加1操作

 

 

2.多列运算

要对DataFrame的多个列同时进行运算，可以使用apply，例如col3 = col1 + 2 * col2:

df['col3'] = df.apply(lambda x: x['col1'] + 2 * x['col2'], axis=1)

其中x带表当前行，可以通过下标进行索引。

 

3.分组运算

可以结合groupby与transform来方便地实现类似SQL中的聚合运算的操作：

df['col3'] = df.groupby('col1')['col2'].transform(lambda x: (x.sum() - x) / x.count())

在transform函数中x.sum()与x.count()与SQL类似，计算的是当前group中的和与数量，还可以将transform的结果作为一个一个映射来使用， 例如：

sumcount = df.groupby('col1')['col2'].transform(lambda x: x.sum() + x.count())
 
df['col1'].map(sumcount)

对col1进行一个map，得到对应的col2的运算值。

 

4.聚合函数

结合groupby与agg实现SQL中的分组聚合运算操作，需要使用相应的聚合函数：

df['col2'] = df.groupby('col1').agg({'col1':{'col1_mean': mean, 'col1_sum‘’: sum}, 'col2': {'col2_count': count}})

上述代码生成了col1_mean, col1_sum与col2_count列。