dask_expr._collection.Series.apply
dask_expr._collection.Series.apply¶
- Series.apply(function, *args, meta=_NoDefault.no_default, axis=0, **kwargs)[源代码]¶
pandas.Series.apply 的并行版本
- 参数
- 函数函数
要应用的函数
- metapd.DataFrame, pd.Series, dict, iterable, tuple, optional
一个空的
pd.DataFrame或pd.Series，其数据类型和列名与输出匹配。此元数据对于 dask dataframe 中的许多算法正常工作是必要的。为了便于使用，还提供了一些替代输入。除了DataFrame之外，还可以提供{name: dtype}的字典或(name, dtype)的可迭代对象（注意名称的顺序应与列的顺序匹配）。除了系列之外，还可以使用(name, dtype)的元组。如果未提供，dask 将尝试推断元数据。这可能会导致意外结果，因此建议提供meta。有关更多信息，请参阅dask.dataframe.utils.make_meta。- 参数元组
除了值之外，传递给函数的定位参数。
- 额外的关键字参数将被作为关键字传递给函数。
- 返回
- 应用如果 func 返回一个 Series，则为 Series 或 DataFrame。
示例
>>> import dask.dataframe as dd >>> s = pd.Series(range(5), name='x') >>> ds = dd.from_pandas(s, npartitions=2)
在 Series 上逐元素应用一个函数，在
args和kwargs中传递额外参数：>>> def myadd(x, a, b=1): ... return x + a + b >>> res = ds.apply(myadd, args=(2,), b=1.5)
默认情况下，dask 会尝试通过在某些假数据上运行您提供的函数来推断输出元数据。这在许多情况下效果很好，但有时可能会很昂贵，甚至失败。为了避免这种情况，您可以使用
meta关键字手动指定输出元数据。这可以通过多种形式指定，更多信息请参见dask.dataframe.utils.make_meta。这里我们指定输出是一个名为
'x'的 Series，并且 dtype 为float64：>>> res = ds.apply(myadd, args=(2,), b=1.5, meta=('x', 'f8'))
在元数据不变的情况下，您也可以直接传入对象本身：
>>> res = ds.apply(lambda x: x + 1, meta=ds)