我想通过对两个现有列应用一个函数来在pandas数据帧中创建一个新列。遵循这个答案，当我只需要一个列作为参数时，我已经能够创建一个新列:
import pandas as pd
df = pd.DataFrame({"A": [10,20,30], "B": [20, 30, 10]})
def fx(x):
return x * x
print(df)
df['newcolumn'] = df.A.apply(fx)
print(df)
然而，当函数需要多个参数时，我不知道如何做同样的事情。例如，我如何通过将列a和列B传递给下面的函数来创建一个新列?
def fxy(x, y):
return x * y
当前回答
你可以用@greenAfrican的例子，如果你可以重写你的函数的话。但是如果你不想重写你的函数，你可以在apply里面把它包装成一个匿名函数，像这样:
>>> def fxy(x, y):
... return x * y
>>> df['newcolumn'] = df.apply(lambda x: fxy(x['A'], x['B']), axis=1)
>>> df
A B newcolumn
0 10 20 200
1 20 30 600
2 30 10 300
其他回答
或者，你可以使用numpy底层函数:
>>> import numpy as np
>>> df = pd.DataFrame({"A": [10,20,30], "B": [20, 30, 10]})
>>> df['new_column'] = np.multiply(df['A'], df['B'])
>>> df
A B new_column
0 10 20 200
1 20 30 600
2 30 10 300
或者在一般情况下向量化任意函数:
>>> def fx(x, y):
... return x*y
...
>>> df['new_column'] = np.vectorize(fx)(df['A'], df['B'])
>>> df
A B new_column
0 10 20 200
1 20 30 600
2 30 10 300
你可以用@greenAfrican的例子，如果你可以重写你的函数的话。但是如果你不想重写你的函数，你可以在apply里面把它包装成一个匿名函数，像这样:
>>> def fxy(x, y):
... return x * y
>>> df['newcolumn'] = df.apply(lambda x: fxy(x['A'], x['B']), axis=1)
>>> df
A B newcolumn
0 10 20 200
1 20 30 600
2 30 10 300
还有一个dict风格的干净语法:
df["new_column"] = df.apply(lambda x: x["A"] * x["B"], axis = 1)
or,
df["new_column"] = df["A"] * df["B"]
这就解决了问题:
df['newcolumn'] = df.A * df.B
你还可以:
def fab(row):
return row['A'] * row['B']
df['newcolumn'] = df.apply(fab, axis=1)
这将动态地给你想要的结果。即使你有两个以上的争论，它也能起作用
df['anothercolumn'] = df[['A', 'B']].apply(lambda x: fxy(*x), axis=1)
print(df)
A B newcolumn anothercolumn
0 10 20 100 200
1 20 30 400 600
2 30 10 900 300
