Os pandas aplicam lambda

"Pandas" é uma biblioteca de programação bem conhecida para análise e manipulação de dados. É uma biblioteca de código aberto. "Pandas" nos dá a flexibilidade de adicionar novas funções conforme necessário, incluindo a classificação e as funções lambda. Podemos facilmente adicionar a função "lambda" à coluna e a linha no quadro de dados de "pandas". Pequenas funções com apenas uma expressão são conhecidas como lambdas. As funções lambda também podem funcionar de maneira sem nome como funções anônimas. Estes são úteis quando precisamos escrever menos código para operações rápidas e simples. Podemos inserir essa função colocando a palavra -chave "lambda" em nosso código "pandas". Apresentamos este guia para ajudá -lo a aprender o conceito da função "lambda" em "pandas".

Sintaxe

Argumentos Lambda: Expressão

Exemplo # 01

Estamos utilizando o aplicativo "Spyder" para criar os códigos, que são dados neste guia. Como estamos fazendo o código "Pandas", devemos importar a biblioteca "pandas" e importá -lo "como PD". Isso nos ajudará a fornecer as funções "pandas" em nosso código quando utilizarmos a palavra -chave "PD". Aqui, geramos um dicionário "Marks" e adicionamos dados como "Rao, James, 455" na primeira linha. Em seguida, “William, Elvish, 250” é adicionado na segunda fila. O "Samuel, John, 495" está na terceira fila, depois "Smith, Micheal, 400", "Robert, Alvis, 350", e também "Rick, Leo, 450" estão lá no quarto, quinto e sexto linhas.

Agora, estamos convertendo o dicionário "Marks" no quadro de dados "Resultado" e também ajustando o nome do cabeçalho aqui, utilizando o método "colunas". Os nomes do cabeçalho que definimos aqui são "nome, padre_name e total_marks". Esses nomes são definidos aqui como os nomes do cabeçalho do quadro de dados do "resultado". Agora, renderizamos o quadro de dados do "resultado". Ainda não aplicamos o método "lambda". Abaixo disso, estamos nos movendo para aplicar este método "lambda" para usar a função "lambda".

Aqui, aplicamos essa função apenas à coluna "Total_Marks", colocando essa função "lambda" no método "atribui ()". Usamos essa função para encontrar a "porcentagem" dos alunos, que adicionamos ao quadro de dados. Utilizamos a função "lambda" e colocamos a fórmula para obter a "porcentagem". A função "lambda" está aqui dentro do método "atribui ()" e definimos a coluna Total_marks dividida por "500" e multiplicada por "100". A coluna "porcentagem" será criada e todas as porcentagens dos alunos aparecerão nessa coluna. Exibimos o quadro de dados "Final_Result" usando a seguinte função "print ()":

Estamos pressionando "Shift + Enter" para obter a saída. No primeiro dataframe, não há coluna para a porcentagem dos alunos. Aplicamos o "Lambda" e calculamos a porcentagem dos alunos e os exibimos na coluna "porcentagem".

Exemplo # 02

Este também é o código "pandas". Então, novamente importamos os "pandas como PD" aqui. Em seguida, crie uma lista aqui com o nome "Nested_list" e adicione dados numéricos. Nós inserimos “15, 2.5, 100, 12 ”na primeira lista e“ 20, 4.5, 50, 15 ”no próximo. Então, na terceira lista, inserimos “25, 5.2, 80, 19 ”,“ 45, 5.8, 48, 37 ”na quarta lista. A quinta lista contém “40, 6.3, 70, 24 ”, e a sexta lista contém“ 41, 6.4, 90, 55 ”. Na última lista, adicionamos “51, 2.3, 111, 19 ". Mudamos esta lista aninhada no quadro de dados, ajustando os nomes do cabeçalho da coluna como "column_1, column_2, column_3 e column_4" e renderizá -lo. Agora, estamos aplicando o método "lambda" e calculando a soma de todos os valores. Este valor da soma será armazenado na coluna "Sum", que é criada aqui e adicionada ao quadro de dados anterior. Renderizamos o quadro de dados "newdata", utilizando a função "print ()" abaixo:

Não há coluna para a soma dos valores no primeiro dataframe. Adiciona “15, 2.5, 100, 12 ”, e a soma é exibida no final da linha na nova coluna“ soma ”. A soma do valor de cada linha é determinada usando o "lambda" e é mostrada na coluna "soma" separadamente para cada linha.

Exemplo # 03

Precisamos importar duas bibliotecas neste código. Um deles é a biblioteca "pandas", e a segunda é a biblioteca "Numpy". Então criamos e inicializamos a lista aninhada aqui. Inserimos dados no formulário numérico aqui e depois alteramos esta lista aninhada no quadro de dados e o armazenamos em uma nova variável "my_dataframe". O nome do cabeçalho para este DataFrame é "Data1, Data2 e Data3" e adiciona os valores do índice como "A1, A2, A3, A4, A5 e A6".

Renderizamos esse quadro de dados e depois aplicamos o método Lambda aqui, no qual inserimos o “np. Função quadrada ”. Esta função está presente na biblioteca "Numpy", e nós a obtemos aqui colocando o "NP". Calculamos o quadrado de "A2" colocando "A2" neste método. E também, defina seu "eixo = 1". Em seguida, imprimimos o DataFrame novamente, utilizando “print ()”.

Aqui, todos os valores de ambos os dados de dados são os mesmos, mas os valores da linha “A2” são diferentes, porque no segundo quadro de dados, ele encontra o quadrado da linha “A2” e o quadrado de números é renderizado aqui:

Exemplo # 04

Aqui, o código do exemplo 3 é usado mais uma vez, e nós apenas mudamos um pouco. Neste código, estamos aplicando a mesma função quadrada a várias linhas. Utilizamos o método "lambda" e colocamos o "np. Função quadrada ”. Nesta função, inserimos quatro valores de índice, que são “A1, A3, A5, A7”. Esta função quadrada será aplicada a valores de quatro linhas e, em seguida.

No segundo DataFrame, os valores de linhas “A1, A3, A5, A7” são os valores atualizados do primeiro DataFrame, e é o quadrado dos valores presentes no primeiro DataFrame em “A1, A3, A5, linhas A7 ”são renderizadas no segundo DataFrame.

Exemplo # 05

Agora, vá para o último exemplo deste guia. Comece este exemplo importando bibliotecas "pandas" e "numpy". Depois de importar as duas bibliotecas, geramos uma lista aninhada abaixo com o nome "RAW_LIST" e adicionamos os dados numéricos a esta lista aninhada. Mudamos esta lista no quadro de dados e adicionamos os nomes dos cabeçalhos da coluna, que são "A_01, A_02, A_03 e A_04", e os valores do índice, que são "11, 12, 13, 14, 14 e 16 e 16".

Agora, aplicamos "Lambda" e adicionamos a função quadrada de "Numpy" a "12, 14" linhas. Depois disso, utilizamos novamente "Lambda" para calcular o "produto" de todas as linhas e também no próximo "Lambda", calculamos a "soma" de todas as linhas e também armazenamos o produto e a soma do "produto", e coluna “Sum”, que criamos aqui. Agora, renderizamos o novo DataFrame no qual o quadrado de duas linhas e a soma e o produto estão presentes. Este novo DataFrame, incluindo tudo isso, é renderizado utilizando o "print ()".

Aqui, você pode ver que, no quadro de dados atualizado, que está presente abaixo do primeiro DadosFrame, a linha “12 e 14” mostra o quadrado dos valores presentes no primeiro DataFrame, e também duas novas colunas estão presentes nas quais a “soma ”E“ Produto ”de linhas são exibidos separadamente.

Conclusão

Você pode usar este guia para aprender a usar o "Aplicar Lambda" em "Pandas" porque explica como fazê -lo. Nosso principal objetivo é explicar minuciosamente a noção de método "lambda" que é clara, simples e aprofundada. Com a ajuda da função "Lambda", mostramos como aplicar a função "lambda" em "pandas" em cinco cenários diferentes. Você estará em um nível moderado de especialização depois de concluir a leitura deste guia, do qual você pode ir para níveis mais altos.