本文为原创文章，未经本人允许，禁止转载。转载请注明出处。
1.前言
使用numpy和pandas进行资料的转换。
2.向量化计算
假设我们有以下房屋资料的数据：
通过pandas读入：
1
2
import pandas as pd
df=pd.read_csv("house_price.csv")
如果在查看DataFrame时行或列没显示全，可添加以下代码解决：
👉“总价”一栏的单位是万元，将其转换成元：
1
df["总价"]*10000
👉把“朝向”和“户型”两栏进行合并：
1
df["朝向"]+df["户型"]
👉建立新的栏位“均价”：
1
df["均价"]=df["总价"] * 10000 / df["建筑面积"]
3.Apply、Map、ApplyMap
Map：将函数套用到Series上的每个元素。Apply：将函数套用到DataFrame上的行与列。ApplyMap：将函数套用到DataFrame上的每个元素。
3.1.Map
👉移除“物业费”中的元：
方法一：
1
2
3
def removeDollar(e):
return e.split('元')[0]
df["物业费"].map(removeDollar)
split用法👉：split。
举例如下：
方法二（使用匿名函数）：
1
df["物业费"].map(lambda e:e.split('元')[0])
两种方法结果是一样的：
3.2.Apply
新建如下DataFrame：
1
df2=pd.DataFrame([[60,70,50],[80,79,68],[63,66,82]],columns=["First","Second","Third"])
1
2
df2.apply(lambda e:e.max()-e.min(),axis=0)#默认为axis=0
df2.apply(lambda e:e.max()-e.min(),axis=1)
axis=0时按列输出为：
axis=1时按行输出为：
3.3.ApplyMap
将df中所有“暂无资料”的元素替代成缺失值（NaN）：
1
2
3
4
5
6
7
8
9
#方法一
def convertNaN(e):
if e == "暂无资料":
return np.nan
else:
return e
df.applymap(convertNaN)
#方法二
df.applymap(lambda e:np.nan if e=="暂无资料" else e)
