图解pandas的assign函数

图解Pandas的宝藏函数assign

本文介绍的是Pandas库中一个非常有用的函数：assign。

在我们处理数据的时候，有时需要根据某个列进行计算得到一个新列，以便后续使用，相当于是根据已知列得到新的列，这个时候assign函数非常方便。下面通过实例来说明函数的的用法。

Pandas文章

本文是Pandas文章连载系列的第21篇，主要分为3类：

基础部分：1-16篇，主要是介绍Pandas中基础和常用操作，比如数据创建、检索查询、排名排序、缺失值/重复值处理等常见的数据处理操作

进阶部分：第17篇开始讲解Pandas中的高级操作方法

对比SQL，学习Pandas：将SQL和Pandas的操作对比起来进行学习

参数

assign函数的参数只有一个：DataFrame.assign(**kwargs)。

**kwargs: dict of {str: callable or Series}

关于参数的几点说明：

• 列名是关键字keywords
• 如果列名是可调用的，那么它们将在DataFrame上计算并分配给新的列
• 如果列名是不可调用的（例如：Series、标量scalar或者数组array），则直接进行分配

最后，这个函数的返回值是一个新的DataFrame数据框，包含所有现有列和新生成的列

导入库

import pandas as pd
import numpy as np

# 模拟数据

df = pd.DataFrame({
  "col1":[12, 16, 18],
  "col2":["xiaoming","peter", "mike"]})

df

	col1	col2
0	12	xiaoming
1	16	peter
2	18	mike

实例

当值是可调用的，我们直接在数据框上进行计算：

方式1：直接调用数据框

# 方式1：数据框df上调用
# 使用数据框df的col1属性，生成col3

df.assign(col3=lambda x: x.col1 / 2 + 20)

	col1	col2	col3
0	12	xiaoming	26.0
1	16	peter	28.0
2	18	mike	29.0

我们可以查看原来的df，发现它是不变的

df  # 原数据框不变的

	col1	col2
0	12	xiaoming
1	16	peter
2	18	mike

操作字符串类型的数据：

df.assign(col3=df["col2"].str.upper())

方式2：调用Series数据

可以通过直接引用现有的Series或序列来实现相同的行为:

# 方式2：调用现有的Series来计算

df.assign(col4=df["col1"] * 3 / 4 + 25)

df  # 原数据不变

	col1	col2
0	12	xiaoming
1	16	peter
2	18	mike

在Python3.6+中，我们可以在同一个赋值中创建多个列，并且其中一个列还可以依赖于同一个赋值中定义的另一列，也就是中间生成的新列可以直接使用：

df.assign(
    col5=lambda x: x["col1"] / 2 + 10,
    col6=lambda x: x["col5"] * 5,  # 在col6计算中直接使用col5
    col7=lambda x: x.col2.str.upper(),
    col8=lambda x: x.col7.str.title()  # col8中使用col7
)

df   # 原数据不变

	col1	col2
0	12	xiaoming
1	16	peter
2	18	mike

如果我们重新分配的是一个现有的列，那么这个现有列的值将会被覆盖：

df.assign(col1=df["col1"] / 2)  # col1直接被覆盖

	col1	col2
0	6.0	xiaoming
1	8.0	peter
2	9.0	mike

对比apply函数

我们在pandas中同样可以使用apply函数来实现

df  # 原数据

	col1	col2
0	12	xiaoming
1	16	peter
2	18	mike

生成一个副本，我们直接在副本上操作：

df1 = df.copy()  # 生成副本，直接在副本上操作
df2 = df.copy()

df1

	col1	col2
0	12	xiaoming
1	16	peter
2	18	mike

df1.assign(col3=lambda x: x.col1 / 2 + 20)

	col1	col2	col3
0	12	xiaoming	26.0
1	16	peter	28.0
2	18	mike	29.0

df1  # df1保持不变

	col1	col2
0	12	xiaoming
1	16	peter
2	18	mike

df1["col3"] = df1["col1"].apply(lambda x:x / 2 + 20)

df1  # df1已经发生了变化

	col1	col2	col3
0	12	xiaoming	26.0
1	16	peter	28.0
2	18	mike	29.0

我们发现：通过assign函数的操作，原数据是不变的，但是通过apply操作的数据已经变化了

BMI

最后在模拟一份数据，计算每个人的BMI。

身体质量指数，是BMI指数，简称体质指数，是国际上常用的衡量人体胖瘦程度以及是否健康的一个标准。

$${BMI} = \frac {体重}{身高^2}$$

其中：体重单位是kg，身高单位是m

df2 = pd.DataFrame({
    "name":["xiaoming","xiaohong","xiaosu"],
    "weight":[78,65,87],
    "height":[1.82,1.75,1.89]
})

df2

	name	weight	height
0	xiaoming	78	1.82
1	xiaohong	65	1.75
2	xiaosu	87	1.89

# 使用assign函数实现

df2.assign(BMI=df2["weight"] / (df2["height"] ** 2))

df2 # 不变

	name	weight	height
0	xiaoming	78	1.82
1	xiaohong	65	1.75
2	xiaosu	87	1.89

df2["BMI"] = df2["weight"] / (df2["height"] ** 2)

df2  # df2生成了一个新的列：BMI

总结

通过上面的例子，我们发现：

1. 使用assign函数生成的DataFrame是不会改变原来的数据，这个DataFrame是新的
2. assign函数能够同时操作多个列名，并且中间生成的列名能够直接使用
3. assign和apply的主要区别在于：前者不改变原数据，apply函数是在原数据的基础上添加新列