python - 从 pandas apply 构造一个 DataFrame

Question

我有一个返回纬度和经度信息的函数。我想在数据框中为这 4 个变量创建列。

这是我的代码:

import geocoder
import pandas as pd
import geolib
from geolib import geohash

df = pd.read_csv('New_DP2.csv')

key = [redacted]


fields = ['NWLat', 'NWLong', 'SELat', 'SELong']
def getData(address, key):
    g = geocoder.mapquest(address, key=key)
    lat = g.lat
    lng = g.lng
    h = geolib.geohash.encode(lat, lng, 7)
    hashes = geolib.geohash.neighbours(h)
    NW = geohash.decode(hashes.nw)
    SE = geohash.decode(hashes.ne)
    nwlat = NW.lat
    nwlon = NW.lon
    selat = SE.lat
    selon = SE.lon

我想在数据框中创建四列，这些列将为“nwlat”、“nwlon”、“selat”、“selon”创建列。

通常我会简单地返回 nwlat 然后创建一个 lambda

df['NWLong'] = df.apply(lambda row: getData(row['a'], key), axis = 1)

然后我会为我想要返回的其他 3 个变量的每个案例执行此操作。但是后来我总共运行了 4 次而不是一次。

Answer 1

你们很接近。您需要做的就是弄清楚如何适本地返回结果。您的函数需要如下所示:

def getData(address, key):
    ...
    NW = geohash.decode(hashes.nw)
    SE = geohash.decode(hashes.ne)

    return pd.Series(dict(zip(fields, [NW.lat, NW.lon,  SE.lat, SE.lon]))) 

然后您可以使用 Series.apply:

df = pd.DataFrame({'address': ['Los Angeles, CA']})  # for example
df['address'].apply(getData, key=key)

                 NWLat                 NWLong                SELat                 SELong
0  34.0541839599609375  -118.2451629638671875  34.0541839599609375  -118.2424163818359375

这通过让 getData 返回一个 Series 对象(以 fields 作为索引)来实现。 apply 会自动构造一个 DataFrame 并返回结果。

旁注:要将这些列连接到现有的 df，请调用 pd.concat:

res = pd.concat([df, df['address'].apply(getData, key=key)], axis=1)

---

如果您的 DataFrame 中没有 NaN，另一种选择是使用列表理解。这是性能(和内存)微优化。

def getData2(address, key):
    ...
    NW = geohash.decode(hashes.nw)
    SE = geohash.decode(hashes.ne)

    return [NW.lat, NW.lon,  SE.lat, SE.lon]

pd.DataFrame([getData2(a, key) for a in df['address']], columns=fields)

                 NWLat                 NWLong                SELat                 SELong
0  34.0541839599609375  -118.2451629638671875  34.0541839599609375  -118.2424163818359375

有关列表推导及其优势的更多信息已在我的帖子中进行了详细说明:For loops with pandas - When should I care?