1.列操作 apply 

df.coulumn.function()  (df.count.mean()這種)

例子：

將Name列全部大寫 

from string import upper

df['Name'] = df.Name.apply(upper)

用lambda操作列

例子：建立一列email的供應商

df['Email Provider'] = df.Email.apply(
    lambda x: x.split('@')[-1]
    )

 2.行操作 lambda 

  

if前一行結尾\ if結尾加\ 記得要axis=1

在使用lambda操作行的時候只要不加列名就是操作行

比如列操作（ df.Email.apply）而行操作（df.apply）

則使用行操作 記得要axis=1

一個簡單的判斷方法是列操作只操作自己這列，行操作一般要用好幾列的資料

 例子1： 40小時以下和40小時以上不同薪，計算出每個人總薪

import codecademylib
import pandas as pd

df = pd.read_csv('employees.csv')

total_earned = lambda row: (row.hourly_wage * 40) + ((row.hourly_wage * 1.5) * (row.hours_worked - 40)) \
	if row.hours_worked > 40 \
  else row.hourly_wage * row.hours_worked

  
df['total_earned'] = df.apply(total_earned, axis = 1)

print(df)
 

例子2 分別進行列操作和行操作

import codecademylib
import pandas as pd

orders = pd.read_csv('shoefly.csv')

print(orders.head(5))


#列
source=lambda x:'animal' \
if (x=='leather')\
else 'vegan'

orders['shoe_source']=orders.shoe_material.apply(source)
print(orders.head(5))

#行
get_lastname=lambda row:'Dear Mr. '+row.last_name\
if row.gender=='male'\
else 'Dear Ms. '+row.last_name

orders['salutation']=orders.apply(get_lastname,axis=1)
print(orders.head(5))

 

 例子3

import codecademylib
import pandas as pd

inventory=pd.read_csv('inventory.csv')
print(inventory.head(10))

staten_island=inventory[0:10]

product_request=staten_island.product_description
print(inventory.info())
seed_request=inventory[(inventory.product_type=='seeds')&(inventory.location=='Brooklyn')]
print(seed_request)

inventory['in_stock']=inventory.quantity.apply(lambda x:False \
                                               if(x==0)\
                                               else True
                                              )
#print(inventory.head(10))


inventory['total_value']=inventory.apply(lambda row:row.quantity*row.price,axis=1)
#print(inventory.head(10))

combine_lambda = lambda row: \
    '{} - {}'.format(row.product_type,
                     row.product_description)
inventory['full_description']=inventory.apply(combine_lambda,axis=1)
print(inventory.head(10))

3.Aggregates in Pandas 聚集

1.已經可以使用apply對每個value操作了，這一節主要是如何把一整個column的value操作得到一個值 用法一般是df.column.command

例子:cuisine_options_count=restaurants['cuisine'].nunique() 統計有多少種cuisine

2. df.groupby('column1').column2.measurement().reset_index()

column1是你想同值合併的，column2是你進行函式操作的列，measurement（）是想apply的方法   注意：得到的型別是Series

例子1.:

得到每種鞋型的最高價

orders = pd.read_csv('orders.csv')

pricey_shoes=orders.groupby('shoe_type').price.max()

因為上一種方法得到的是series型別，索引不是index，想轉變成dataframe形式，使用reset_index()方法，一般groupby()後用

例子2： 這時型別是dataframe

pricey_shoes = orders.groupby('shoe_type').price.max().reset_index()
print(pricey_shoes)

如果簡單的函式無法達到要求 再次引入apply（lambda 函式）

例子3： 返回每種顏色的鞋子價格列表中25%處的價格

import codecademylib
import numpy as np
import pandas as pd

orders = pd.read_csv('orders.csv')

print(orders)
cheap_shoes=orders.groupby('shoe_color').price.apply(lambda x:np.percentile(x,25))
print(cheap_shoes)

 有時想要groupby多列

例子4：統計  擁有相同鞋型和鞋色的鞋子的訂單量

import codecademylib
import numpy as np
import pandas as pd

orders = pd.read_csv('orders.csv')

shoe_counts=orders.groupby(['shoe_type','shoe_color']).id.count().reset_index()
print(shoe_counts)

shoe_counts.rename(columns={'id': 'count'}, inplace=True) 

#shoe_counts.columns = ['shoe_type', 'shoe_color','count']

print(shoe_counts)

3.改變表的形態  privot 和使用groupby一樣也要reset_index

例子：

import codecademylib
import numpy as np
import pandas as pd

orders = pd.read_csv('orders.csv')

shoe_counts = orders.groupby(['shoe_type', 'shoe_color']).id.count().reset_index()

print(shoe_counts)
shoe_counts.rename(columns={'id': 'count'}, inplace=True) 

shoe_counts_pivot=shoe_counts.pivot(columns='shoe_color',index='shoe_type',values='count').reset_index()

print(shoe_counts_pivot)