Les pandas appliquent Lambda

«Pandas» est une bibliothèque de programmation bien connue pour l'analyse et la manipulation des données. C'est une bibliothèque open-source. «Pandas» nous donne la flexibilité pour ajouter de nouvelles fonctions au besoin, y compris le tri et les fonctions Lambda. Nous pouvons facilement ajouter la fonction «lambda» à la colonne et à la ligne dans le dataframe de «pandas». Les petites fonctions avec une seule expression sont appelées lambdas. Les fonctions Lambda peuvent également fonctionner de manière sans nom en tant que fonctions anonymes. Ceux-ci sont utiles lorsque nous devons écrire moins de code pour des opérations simples et simples. Nous pouvons insérer cette fonction en plaçant le mot-clé «lambda» dans notre code «pandas». Nous présentons ce guide pour vous aider à apprendre le concept de la fonction «Lambda» dans «Pandas».

Syntaxe

Lambda Arguments: Expression

Exemple # 01

Nous utilisons l'application «Spyder» pour créer les codes, qui sont donnés dans ce guide. Puisque nous faisons du code «Pandas», nous devons importer la bibliothèque «Pandas», et nous l'importons «comme PD». Cela nous aidera à fournir les fonctions «pandas» dans notre code lorsque nous utilisons le mot-clé «PD». Ici, nous générons un dictionnaire «marques» et ajoutons des données comme «Rao, James, 455» dans la première ligne. Ensuite, "William, Elvish, 250" est ajouté dans la deuxième rangée. Le «Samuel, John, 495» est dans la troisième rangée, puis «Smith, Micheal, 400», «Robert, Alvis, 350» et aussi «Rick, Leo, 450» sont là dans les quatrième, cinquième et sixième Lignes.

Maintenant, nous convertissons le dictionnaire «marques» en la dataframe «résultat» et ajustons également le nom de l'en-tête ici en utilisant la méthode «colonnes». Les noms d'en-tête que nous définissons ici sont «Nom, père_name et total_marks». Ces noms sont définis ici comme les noms d'en-tête du «résultat» DataFrame. Maintenant, nous rendons le «résultat» DataFrame. Nous n'avons pas encore appliqué la méthode «Lambda». Ci-dessous, nous nous déplacons pour appliquer cette méthode «lambda» pour utiliser la fonction «lambda».

Ici, nous appliquons cette fonction uniquement à la colonne «Total_marks» en mettant cette fonction «lambda» dans la méthode «attribution ()». Nous utilisons cette fonction pour trouver le «pourcentage» des étudiants, que nous ajoutons à la dataframe. Nous utilisons la fonction «Lambda» et plaçons la formule pour obtenir le «pourcentage». La fonction «Lambda» est ici à l'intérieur de la méthode «Attribute ()», et nous avons défini la colonne Total_marks divisée par «500» et multipliée par «100». La colonne «pourcentage» sera créée, et tous les pourcentages des étudiants apparaîtront dans cette colonne. Nous affichons la fonction de données «final_result» en utilisant la fonction «print ()» suivante:

Nous appuyons sur «Shift + Entrée» pour obtenir la sortie. Dans le premier DataFrame, il n'y a pas de colonne pour le pourcentage des étudiants. Nous appliquons le «lambda» et calculons le pourcentage des étudiants et les affichons dans la colonne «pourcentage».

Exemple # 02

C'est aussi le code «pandas». Nous importons donc à nouveau les «pandas comme pd» ici. Ensuite, créez une liste ici avec le nom «Neffed_list» et ajoutez des données numériques. Nous insérons «15, 2.5, 100, 12 ”dans la première liste et« 20, 4.5, 50, 15 ”dans le suivant. Puis dans la troisième liste, nous insérons «25, 5.2, 80, 19 ”,« 45, 5.8, 48, 37 ”dans la quatrième liste. La cinquième liste contient «40, 6.3, 70, 24 ”, et la sixième liste contient« 41, 6.4, 90, 55 ”. Dans la dernière liste, nous ajoutons «51, 2.3, 111, 19 ”. Nous modifions cette liste imbriquée dans le dataframe en ajustant les noms de leurs en-tête de colonne comme "Column_1, Column_2, Column_3 et Column_4" et les rendre. Maintenant, nous appliquons la méthode «lambda» et calculons la somme de toutes les valeurs. Cette valeur de somme sera stockée dans la colonne «SUM», qui est créée ici et ajoutée au DataFrame précédent. Nous rendons la fonction «new_data» en utilisant la fonction «print ()» ci-dessous:

Il n'y a pas de colonne pour la somme des valeurs dans le premier DataFrame. Il ajoute «15, 2.5, 100, 12 ”, et la somme est affichée à la fin de la ligne dans la nouvelle colonne« Sum ». La somme de la valeur de chaque ligne est déterminée à l'aide de la «lambda» et est indiquée séparément dans la colonne «SUM» pour chaque ligne.

Exemple # 03

Nous devons importer deux bibliothèques dans ce code. L'un d'eux est la bibliothèque «Pandas», et la seconde est la bibliothèque «Numpy». Ensuite, nous créons et initialisons la liste imbriquée ici. Nous insérons des données sous la forme numérique ici, puis modifions cette liste imbriquée dans le dataframe et les stockons dans une nouvelle variable, «my_dataframe». Le nom d'en-tête de ce DataFrame est «Data1, Data2 et Data3» et ajoute les valeurs d'index comme «A1, A2, A3, A4, A5 et A6».

Nous rendons cette dataframe, puis appliquons la méthode lambda ici dans laquelle nous insérons le «NP. Fonction carrée. Cette fonction est présente dans la bibliothèque «Numpy», et nous l'obtenons ici en mettant le «NP». Nous calculons le carré de «A2» en mettant «A2» dans cette méthode. Et aussi, définissez son «axe = 1». Nous imprimons ensuite à nouveau le dataframe en utilisant «print ()».

Ici, toutes les valeurs des deux dataframes sont les mêmes, mais les valeurs de la ligne «A2» sont différentes, car dans le deuxième dataframe, il trouve le carré de la ligne «A2» et le carré des nombres est rendu ici:

Exemple # 04

Ici, l'exemple 3 du code est à nouveau utilisé, et nous le modifions un peu. Dans ce code, nous appliquons la même fonction carrée à plusieurs lignes. Nous utilisons la méthode «Lambda» et mettons le «NP. Fonction carrée. Dans cette fonction, nous insérons quatre valeurs d'index, qui sont «A1, A3, A5, A7». Cette fonction carrée sera appliquée à des valeurs à quatre rangées, puis imprimez cette dataframe mise à jour.

Dans le deuxième DataFrame, les valeurs des lignes «A1, A3, A5, A7» sont les valeurs mises à jour de la première dataframe, et c'est le carré de ces valeurs qui sont présentes dans la première dataframe dans «A1, A3, A5, Les lignes A7 ”sont rendues dans le deuxième Dataframe.

Exemple # 05

Maintenant, passez au dernier exemple de ce guide. Démarrez cet exemple en important des bibliothèques «pandas» et «Numpy». Après avoir importé les deux bibliothèques, nous générons une liste imbriquée ci-dessous avec le nom «Raw_list» et ajoutons les données numériques à cette liste imbriquée. Nous transformons cette liste en dataframe et ajoutons les noms d'en-tête de colonne, qui sont «A_01, A_02, A_03 et A_04», et les valeurs d'index, qui sont «11, 12, 13, 14, 15 et 16».

Maintenant, nous appliquons «Lambda» et ajoutons la fonction carrée de «Numpy» aux lignes «12, 14». Après cela, nous utilisons à nouveau «lambda» pour calculer le «produit» de toutes les lignes, et également dans la prochaine «lambda», nous calculons la «somme» de toutes les lignes et stockons également le produit et la somme du «produit», et colonne «SUM», que nous avons créée ici. Maintenant, nous rendons le nouveau dataframe dans lequel le carré de deux rangées et la somme et le produit sont présents. Cette nouvelle dataframe, y compris tout cela, est rendue en utilisant le «print ()».

Ici, vous pouvez voir que dans le DataFrame mis à jour, qui est présent ci-dessous le premier DataFrame, la ligne «12 et 14» montre le carré des valeurs présentes dans le premier Dataframe, et deux nouvelles colonnes sont présentes dans lesquelles la «somme »Et le« produit »des lignes sont affichées séparément.

Conclusion

Vous pouvez utiliser ce guide pour apprendre à utiliser «Appliquer Lambda» dans «Pandas» car il explique comment le faire. Notre objectif principal est d'expliquer soigneusement la notion de méthode «lambda» claire, simple et approfondie. Avec l'aide de la fonction «Lambda», nous avons montré comment appliquer la fonction «Lambda» dans «Pandas» dans cinq scénarios différents. Vous serez à un niveau d'expertise modéré après avoir terminé la lecture de ce guide, à partir de laquelle vous pouvez passer à des niveaux plus élevés.