作者：俊欣

來源：關(guān)于數(shù)據(jù)分析與可視化

今天小編打算稍微中規(guī)中矩一些，寫一篇技術(shù)類的干貨文章。

這篇文章小編來講講lambda方法以及它在pandas模塊當(dāng)中的運(yùn)用，熟練掌握可以極大地提高數(shù)據(jù)分析與挖掘的效率

導(dǎo)入模塊與讀取數(shù)據(jù)

我們第一步需要導(dǎo)入模塊以及數(shù)據(jù)集

import pandas as pd

df = pd.read_csv("IMDB-Movie-Data.csv")
df.head()

創(chuàng)建新的列

一般我們是通過在現(xiàn)有兩列的基礎(chǔ)上進(jìn)行一些簡單的數(shù)學(xué)運(yùn)算來創(chuàng)建新的一列，例如

df['AvgRating'] = (df['Rating'] + df['Metascore']/10)/2

但是如果要新創(chuàng)建的列是經(jīng)過相當(dāng)復(fù)雜的計(jì)算得來的，那么lambda方法就很多必要被運(yùn)用到了，我們先來定義一個函數(shù)方法

def custom_rating(genre,rating): if 'Thriller' in genre: return min(10,rating+1) elif 'Comedy' in genre: return max(0,rating-1) elif 'Drama' in genre: return max(5, rating-1) else: return rating

我們對于不同類別的電影采用了不同方式的評分方法，例如對于“驚悚片”，評分的方法則是在“原來的評分+1”和10分當(dāng)中取一個最小的，而對于“喜劇”類別的電影，則是在0分和“原來的評分-1”當(dāng)中取一個最大的，然后我們通過apply方法和lambda方法將這個自定義的函數(shù)應(yīng)用在這個DataFrame數(shù)據(jù)集當(dāng)中

df["CustomRating"] = df.apply(lambda x: custom_rating(x['Genre'], x['Rating']), axis = 1)

我們這里需要說明一下axis參數(shù)的作用，其中axis=1代表跨列而axis=0代表跨行，如下圖所示

篩選數(shù)據(jù)

在pandas當(dāng)中篩選數(shù)據(jù)相對來說比較容易，可以用到& | ~這些操作符，代碼如下

# 單個條件，評分大于5分的 df_gt_5 = df[df['Rating']>5] # 多個條件: AND - 同時滿足評分高于5分并且投票大于100000的 And_df = df[(df['Rating']>5) & (df['Votes']>100000)] # 多個條件: OR - 滿足評分高于5分或者投票大于100000的 Or_df = df[(df['Rating']>5) | (df['Votes']>100000)] # 多個條件：NOT - 將滿足評分高于5分或者投票大于100000的數(shù)據(jù)排除掉 Not_df = df[~((df['Rating']>5) | (df['Votes']>100000))]

這些都是非常簡單并且是常見的例子，但是要是我們想要篩選出電影的影名長度大于5的部分，要是也采用上面的方式就會報(bào)錯

df[len(df['Title'].split(" "))>=5]

output

AttributeError: 'Series' object has no attribute 'split' 

這里我們還是采用apply和lambda相結(jié)合，來實(shí)現(xiàn)上面的功能

#創(chuàng)建一個新的列來存儲每一影片名的長度 df['num_words_title'] = df.apply(lambda x : len(x['Title'].split(" ")),axis=1) #篩選出影片名長度大于5的部分 new_df = df[df['num_words_title']>=5]

當(dāng)然要是大家覺得上面的方法有點(diǎn)繁瑣的話，也可以一步到位

new_df = df[df.apply(lambda x : len(x['Title'].split(" "))>=5,axis=1)]

例如我們想要篩選出那些影片的票房低于當(dāng)年平均水平的數(shù)據(jù)，可以這么來做。

我們先要對每年票房的的平均值做一個歸總，代碼如下

year_revenue_dict = df.groupby(['Year']).agg({'Revenue(Millions)':np.mean}).to_dict()['Revenue(Millions)']

然后我們定義一個函數(shù)來判斷是否存在該影片的票房低于當(dāng)年平均水平的情況，返回的是布爾值

def bool_provider(revenue, year): return revenue
 然后我們通過結(jié)合apply方法和lambda方法應(yīng)用到數(shù)據(jù)集當(dāng)中去 
						

new_df = df[df.apply(lambda x : bool_provider(x['Revenue(Millions)'],
                                              x['Year']),axis=1)]
 我們篩選數(shù)據(jù)的時候，主要是用.loc方法，它同時也可以和lambda方法聯(lián)用，例如我們想要篩選出評分在5-8分之間的電影以及它們的票房，代碼如下 
					
df.loc[lambda x: (x["Rating"] > 5) & (x["Rating"] < 8)][["Title", "Revenue (Millions)"]] 

	轉(zhuǎn)變指定列的數(shù)據(jù)類型
				
 通常我們轉(zhuǎn)變指定列的數(shù)據(jù)類型，都是調(diào)用astype方法來實(shí)現(xiàn)的，例如我們將“Price”這一列的數(shù)據(jù)類型轉(zhuǎn)變成整型的數(shù)據(jù)，代碼如下 
					
df['Price'].astype('int')
 會出現(xiàn)如下所示的報(bào)錯信息 
				
ValueError: invalid literal for int() with base 10: '12,000' 
 因此當(dāng)出現(xiàn)類似“12,000”的數(shù)據(jù)的時候，調(diào)用astype方法實(shí)現(xiàn)數(shù)據(jù)類型轉(zhuǎn)換就會報(bào)錯，因此我們還需要將到apply和lambda結(jié)合進(jìn)行數(shù)據(jù)的清洗，代碼如下 
					
df['Price'] = df.apply(lambda x: int(x['Price'].replace(',', '')),axis=1)

	方法調(diào)用過程的可視化
						
 有時候我們在處理數(shù)據(jù)集比較大的時候，調(diào)用函數(shù)方法需要比較長的時間，這個時候就需要有一個要是有一個進(jìn)度條，時時刻刻向我們展示數(shù)據(jù)處理的進(jìn)度，就會直觀很多了。 
							
 這里用到的是tqdm模塊，我們將其導(dǎo)入進(jìn)來 
						
from tqdm import tqdm, tqdm_notebook
tqdm_notebook().pandas()
 然后將apply方法替換成progress_apply即可，代碼如下 
							
df["CustomRating"] = df.progress_apply(lambda x: custom_rating(x['Genre'],x['Rating']),axis=1)
 output 
						
  
							

	當(dāng)lambda方法遇到if-else
								
 當(dāng)然我們也可以將if-else運(yùn)用在lambda自定義函數(shù)當(dāng)中，代碼如下 
									
Bigger = lambda x, y : x if(x > y) else y
Bigger(2, 10)
 output 
								
10 
 當(dāng)然很多時候我們可能有多組if-else，這樣寫起來就有點(diǎn)麻煩了，代碼如下 
									
df['Rating'].apply(lambda x:"低分電影" if x < 3 else ("中等電影" if x>=3 and x < 5 else("高分電影" if x>=8 else "值得觀看")))
 看上去稍微有點(diǎn)凌亂了，這個時候，小編這里到還是推薦大家自定義函數(shù)，然后通過apply和lambda方法搭配使用