运算操作

算术运算

data['open'].add(1)

2018-02-27    24.53
2018-02-26    23.80
2018-02-23    23.88
2018-02-22    23.25
2018-02-14    22.49

逻辑运算

1> 逻辑运算符号

data["open"] > 23

2018-02-27     True
2018-02-26    False
2018-02-23    False
2018-02-22    False
2018-02-14    False

# 逻辑判断的结果可以作为筛选的依据
data[data["open"] > 23].head()

image-20190624115656264

data[(data["open"] > 23) & (data["open"] < 24)].head()

image-20190624115753590

2> 逻辑运算函数

query(expr)

data.query("open<24 & open>23").head()

# 可以指定值进行一个判断，从而进行筛选操作
data[data["open"].isin([23.53, 23.85])]

image-20190624115947522

函数应用

  • 表格函数 : pipe()
  • 行列合理函数 : apply()
  • 元素合理函数 : applymap()

1> 表格函数

def add_num(ele1, ele2):
    return ele1 + ele2

df = pd.DataFrame(np.random.randn(2,3), columns=['col1','col2','col3'])
print(f'原始数组:\n{df}')

# 输出结果:
#  原始数组:
#         col1      col2      col3
#  0 -0.969587 -1.668058 -0.063144
#  1 -1.112474  1.006431  1.003687

print(f'调用函数后:\n{df.pipe(add_num,2)}')

# 输出结果:
#  调用函数后:
#         col1      col2      col3
#  0  1.030413  0.331942  1.936856
#  1  0.887526  3.006431  3.003687

2> 行列合理函数

在默认情况下,操作按列执行,将每列列为数组

df = pd.DataFrame(np.random.randn(2,3), columns=['col1','col2','col3'])
print(f'原始数组:\n{df}')

# 输出结果:
#  原始数组:
#         col1      col2     col3
#  0  1.044008 -0.694310 -0.65942
#  1  1.074292  1.051992  1.68558

df1 = df.apply(np.mean)
print(f'调用函数后:\n{df1}')

# 输出结果:
#  调用函数后:
#  col1    1.059150
#  col2    0.178841
#  col3    0.513080
#  dtype: float64

使用 lambda 作为参数:

df = pd.DataFrame(np.random.randn(2,3), columns=['col1','col2','col3'])
print(f'原始数组:\n{df}')

# 输出结果:
#  原始数组:
#         col1      col2      col3
#  0 -1.437103 -0.408853 -1.184260
#  1  1.325277 -0.979137  0.497137

df1 = df.apply(lambda x : x.max()-x.min() ,axis = 1)
print(f'调用函数后:\n{df1}')

# 输出结果:
#  调用函数后:
#  0    1.028250
#  1    2.304415
#  dtype: float64

3> 元素合理函数

DataFrame 的 applymap()函数和 Series 的 map()函数

df = pd.DataFrame(np.random.randn(2,3), columns=['col1','col2','col3'])
print(f'原始数组:\n{df}')

# 输出结果:
#  原始数组:
#         col1      col2      col3
#  0  0.286482  0.381885  1.904780
#  1  1.598254  0.856874 -0.166022

df1 = df['col1'].map(lambda x:x*100)
print(f'应用函数后:\n{df1}')

# 输出结果:
#  应用函数后:
#  0     28.648158
#  1    159.825408
#  Name: col1, dtype: float64

df1 = df.applymap(lambda x:x*100)
print(f'应用函数后:\n{df1}')

# 输出结果:
#  应用函数后:
#          col1        col2        col3
#  0  66.045303 -196.886843   17.495741
#  1 -51.407796  -57.917430  161.074754