python - 在 pandas DataFrame 中的 applymap() 中使用自定义函数

Question

我是 Pandas 新手。我编写了一个函数，我想将其应用于 pandas DataFrame“Monthly_mean_consump”中的所有条目，下面提供了数据示例。

Time    2010-08-31  2010-09-30  2010-10-31  2010-11-30  2010-12-31 2011-01-31  2011-02-28 2011-03-31  2011-04-30 
00:00   0.429188    0.302406    0.587415    0.227820    0.115938    0.170616    0.056256    0.078167    0.476515
00:30   0.340452    0.385037    0.218495    0.238118    0.134938    0.123279    0.054984    0.108111    0.173700
01:00   0.455451    0.433700    0.229352    0.253046    0.391425    0.313715    0.401116    0.123304    0.453640
01:30   0.601494    0.576142    0.425599    0.590769    0.486930    0.419002    0.560737    0.554705    0.544313
02:00   0.504342    0.584523    0.614539    0.375294    0.377951    0.342675    0.357372    0.367332    0.391336
02:30   0.527724    0.443303    0.457283    0.369515    0.392317    0.379410    0.391916    0.444807    0.491411
03:00   0.429236    0.531203    0.464098    0.370421    0.426875    0.360209    0.276282    0.179577    0.304990
03:30   0.442019    0.510604    0.314080    0.372268    0.443884    0.461649    0.390262    0.284042    0.417354
04:00   0.359956    0.411183    0.390059    0.398598    0.397369    0.351005    0.534459    0.317548    0.309686
04:30   0.352609    0.247238    0.421061    0.385950    0.300075    0.200626    0.402874    0.126153    0.261859

我编写了一个函数，其输入是数据帧“Monthly_mean_consump”中的单个元素，只要该值大于0.45，该函数就会从另一个数据帧“df_loss_peak”中找到相应的成本(下面提供了一个示例)并返回相应的成本.

    Peak_Consumption    Cost
0   0.450000    1.413333
1   0.557895    4.651579
2   0.665789    7.133158
3   0.773684    9.614737
4   0.881579    12.096316
5   0.989474    14.577895
6   1.097368    17.059474
7   1.205263    19.541053
8   1.313158    22.022632
9   1.421053    24.504211
10  1.528947    26.985789
11  1.636842    29.467368
12  1.744737    31.948947
13  1.852632    34.430526
14  1.960526    36.912105
15  2.068421    39.393684
16  2.176316    41.875263
17  2.284211    44.356842
18  2.392105    46.838421
19  2.500000    49.320000

我编写的函数如下:

def cost_consump(mean_consump):
    if(mean_consump >= 0.45):
        for i in range(0, len(df_loss_peak)):
            if(df_loss_peak["Peak_Consumption"][i] > mean_consump):
                cost = df_loss_peak["Cost"][i]
                return cost        
                break;       
    return 0

我使用了两个嵌套的 for 循环(代码如下)将此函数应用于数据帧“Monthly_mean_consump”的每个元素，并且我得到了所需的输出。

Monthly_mean_cost = pd.DataFrame.copy(Monthly_mean_consump,deep=True)

for i in range(0,48):
    for j in range(0,12):
        mean_consump = Monthly_mean_consump.transpose().iloc[i,j]
        Monthly_mean_cost.transpose().iloc[i,j] = cost_consump(mean_consump)

但是，我知道这非常耗时，pandas 提供了一个高效的函数“applymap()”，它非常适合这项工作。我在其他各种任务中使用了 applymap() 函数。但是当我编写以下代码以便在此处使用 applymap() 时，我收到 keyindex 错误 -1:

Monthly_mean_consump.transpose().applymap(cost_consump)

有任何帮助吗？我还认为 applymap() 函数比我实现的循环更有效吗？

谢谢

Answer 1

您可以使用bisect图书馆。

def cost_consump(x, df_loss_peak):
    return df_loss_peak.iloc[bisect.bisect(df_loss_peak.Peak_Consumption,x)].Cost
Monthly_mean_cost.applymap(lambda x: cost_consump(x,df_loss_peak)

如果您希望小于 0.45 的值(value)成本具有不同的值，您可能需要在 df_loss_peak 数据帧上添加第一行为零。

输出

    2010-08-31  2010-09-30  2010-10-31  2010-11-30  2010-12-31  2011-01-31  2011-02-28  2011-03-31  2011-04-30
0   1.413333    1.413333    7.133158    1.413333    1.413333    1.413333    1.413333    1.413333    4.651579
1   1.413333    1.413333    1.413333    1.413333    1.413333    1.413333    1.413333    1.413333    1.413333
2   4.651579    1.413333    1.413333    1.413333    1.413333    1.413333    1.413333    1.413333    4.651579
3   7.133158    7.133158    1.413333    7.133158    4.651579    1.413333    7.133158    4.651579    4.651579
4   4.651579    7.133158    7.133158    1.413333    1.413333    1.413333    1.413333    1.413333    1.413333
5   4.651579    1.413333    4.651579    1.413333    1.413333    1.413333    1.413333    1.413333    4.651579
6   1.413333    4.651579    4.651579    1.413333    1.413333    1.413333    1.413333    1.413333    1.413333
7   1.413333    4.651579    1.413333    1.413333    1.413333    4.651579    1.413333    1.413333    1.413333
8   1.413333    1.413333    1.413333    1.413333    1.413333    1.413333    4.651579    1.413333    1.413333
9   1.413333    1.413333    1.413333    1.413333    1.413333    1.413333    1.413333    1.413333    1.413333

如果您不想要它们，您可以添加:

Monthly_mean_cost.applymap(lambda x: cost_consump(x,df_loss_peak)[Monthly_mean_cost>0.45]

输出:

    2010-08-31  2010-09-30  2010-10-31  2010-11-30  2010-12-31  2011-01-31  2011-02-28  2011-03-31  2011-04-30
0   NaN     NaN     7.133158    NaN     NaN     NaN     NaN     NaN     4.651579
1   NaN     NaN     NaN     NaN     NaN     NaN     NaN     NaN     NaN
2   4.651579    NaN     NaN     NaN     NaN     NaN     NaN     NaN     4.651579
3   7.133158    7.133158    NaN     7.133158    4.651579    NaN     7.133158    4.651579    4.651579
4   4.651579    7.133158    7.133158    NaN     NaN     NaN     NaN     NaN     NaN
5   4.651579    NaN     4.651579    NaN     NaN     NaN     NaN     NaN 4.651579
6   NaN     4.651579    4.651579    NaN     NaN     NaN     NaN     NaN     NaN 
7   NaN     4.651579    NaN     NaN     NaN     4.651579    NaN     NaN     NaN
8   NaN     NaN     NaN     NaN     NaN     NaN     4.651579    NaN     NaN 
9   NaN     NaN     NaN     NaN     NaN     NaN     NaN     NaN     NaN