pandas.Series.apply

Series.apply(func, args=(), *, by_row='compat', **kwargs)

在 Series 的值上调用函数。

可以是 ufunc（应用于整个 Series 的 NumPy 函数）或仅适用于单个值的 Python 函数。

参数:

函数函数

要应用的Python函数或NumPy ufunc。

参数tuple

在序列值之后传递给 func 的位置参数。

按行False 或 “compat”，默认 “compat”

如果 "compat" 并且 func 是可调用的，func 将传递给 Series 的每个元素，类似于 Series.map。如果 func 是一个可调用对象的列表或字典，将首先尝试将每个 func 转换为 pandas 方法。如果这不起作用，将尝试使用 by_row="compat" 再次调用 apply，如果失败，将使用 ``by_row=False``（向后兼容）再次调用 apply。如果为 False，func 将一次性传递整个 Series。

当 func 是字符串时，by_row 没有效果。

Added in version 2.1.0.

**kwargs

传递给 func 的额外关键字参数。

返回:

Series 或 DataFrame

如果 func 返回一个 Series 对象，结果将是一个 DataFrame。

参见

Series.map

逐元素操作。

Series.agg

仅执行聚合类型的操作。

Series.transform

仅执行转换类型的操作。

备注

修改传递对象的函数可能会产生意外行为或错误，并且不受支持。更多详情请参见 使用用户定义函数 (UDF) 方法进行变异。

例子

创建一个系列，包含每个城市典型的夏季温度。

>>> s = pd.Series([20, 21, 12], index=["London", "New York", "Helsinki"])
>>> s
London      20
New York    21
Helsinki    12
dtype: int64

通过定义一个函数并将它作为参数传递给 apply() 来对值进行平方。

>>> def square(x):
...     return x**2
>>> s.apply(square)
London      400
New York    441
Helsinki    144
dtype: int64

通过传递一个匿名函数作为参数给 apply() 来对值进行平方。

>>> s.apply(lambda x: x**2)
London      400
New York    441
Helsinki    144
dtype: int64

定义一个需要额外位置参数的自定义函数，并使用 args 关键字传递这些额外参数。

>>> def subtract_custom_value(x, custom_value):
...     return x - custom_value

>>> s.apply(subtract_custom_value, args=(5,))
London      15
New York    16
Helsinki     7
dtype: int64

定义一个自定义函数，该函数接受关键字参数并将这些参数传递给 apply。

>>> def add_custom_values(x, **kwargs):
...     for month in kwargs:
...         x += kwargs[month]
...     return x

>>> s.apply(add_custom_values, june=30, july=20, august=25)
London      95
New York    96
Helsinki    87
dtype: int64

使用 Numpy 库中的一个函数。

>>> s.apply(np.log)
London      2.995732
New York    3.044522
Helsinki    2.484907
dtype: float64